我有一组具有50个功能（c1，c2，c3 ...）的数据，具有超过80k行。
每行包含标准化的数值（范围为0-1）。它实际上是一个归一化的虚拟变量，其中某些行只有3-4个很少的特征（即，如果没有值，则分配0）。大多数行具有大约10-20个功能。
我使用KMeans对数据进行聚类，总是导致具有大量成员的聚类。经过分析，我注意到具有少于4个特征的行趋于聚集在一起，这不是我想要的。
无论如何，集群之间是否平衡？
最佳答案
产生平衡簇不是k-means目标的一部分。实际上，具有平衡集群的解决方案可能会很糟糕（只需考虑具有重复项的数据集）。 K均值最小化平方和，将这些对象放入一个群集似乎是有益的。
您所看到的是在稀疏，非连续数据上使用k均值的典型效果。编码的分类变量，二进制变量和稀疏数据仅不太适合均值的k均值使用。此外，您可能还需要仔细权重变量。
现在，一个可能会改善结果的修补程序（至少是感知的质量，因为我认为它在统计学上不会使它们更好），是将每个向量归一化为单位长度（欧几里得范数1）。这将强调那些具有很少非零条目的行。您可能会更喜欢结果，但是更难解释。
关于python - K表示聚类不平衡数据，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/52253787/