Кластеризация двоичной матрицы

У меня есть полумаленькая матрица двоичных объектов размером 250k x 100. Каждая строка является пользователем, а столбцы представляют собой двоичные «теги» некоторого поведения пользователя, например «likes_cats».

user  1   2   3   4   5  ...
-------------------------
A     1   0   1   0   1
B     0   1   0   1   0
C     1   0   0   1   0

Я хотел бы распределить пользователей по 5-10 кластерам и проанализировать нагрузки, чтобы понять, могу ли я интерпретировать группы поведения пользователей. Похоже, существует несколько подходов для подгонки кластеров к двоичным данным - что, по нашему мнению, может быть лучшей стратегией для этих данных?

• PCA

• Создание матрицы сходства Жакара , подгонка иерархического кластера, а затем использование верхних «узлов».

• K-медиана

• K-medoids

• Проксимус ?

• Агнесса

До сих пор у меня был некоторый успех с использованием иерархической кластеризации, но я действительно не уверен, что это лучший способ пойти ..

tags = read.csv("~/tags.csv")
d = dist(tags, method = "binary")
hc = hclust(d, method="ward")
plot(hc)
cluster.means = aggregate(tags,by=list(cutree(hc, k = 6)), mean)

Анализ латентного класса является одним из возможных подходов.

Возьмите следующее распределение вероятностей, где A, B и C могут принимать значения 1 или 0.

$P(A_i, B_j, C_k)$

Если бы они были независимы друг от друга, то мы ожидали бы увидеть:

$P(A_i, B_j, C_k)=P(A_i)P(B_j)P(C_k)$

Как только эта возможность будет устранена, мы можем предположить, что любая наблюдаемая зависимость связана с кластеризацией значений внутри ненаблюдаемых подгрупп. Чтобы проверить эту идею, мы можем оценить следующую модель:

$P(A_i, B_j, C_k)=P(X_n)P(A_i|X_n)P(B_j|X_n)P(C_k|X_n)$

$X$$n$$n$

$5 \le n \le 10$

Однако попытка определить значимые шаблоны в 100 переменных с 5-10 группами, вероятно, потребует сокращения этого списка до оценки модели, что само по себе является достаточно сложной задачей ( REF ).

На самом деле, частый анализ наборов элементов может быть лучшим выбором, чем кластеризация на таких данных.

Обычный векторный ориентированный набор алгоритмов не имеет большого смысла. K-средства, например, произведут средства, которые больше не являются двоичными.