下列練習會逐步引導您手動建立相似度測量結果。
假設您有如下的資料集：
| 功能 | 類型 |
|---|---|
| 價格 | 正整數 |
| 大小 | 正浮點值 (單位為平方公尺) |
| 郵遞區號 | 整數 |
| 臥室數量 | 整數 |
| 房屋類型 | 「value_family」、「多戶」、「公寓」或「公寓」的文字值 |
| 車庫 | 0/1 沒有/是 |
| 顏色 | 多值類別：從「白色」、「黃色」、「綠色」等標準顏色中的一或多個值。 |
預先處理
第一步是預先處理數值特徵，包括價格、尺寸、臥室數量和郵遞區號。您必須為這些功能分別執行不同的作業。例如，在本例中，假設價格資料採用雙視窗分配。接下來該怎麼做？
如果資料採用雙重分配，您應採取什麼行動？
從資料中建立分位數並縮放至 [0,1]。
這是資料遵循雙模組分佈情形時應採取的正確步驟。
記錄轉換並調整為 [0,1]。
這實際上是資料採用 Power-law 發布時採取的步驟。
正規化及縮放至 [0,1]。
這是資料遵循高斯分佈情況後的步驟。
在下列欄位中，試著處理大小資料。
在下列欄位中，嘗試說明您在臥室人數的處理方式。
應該如何呈現郵遞區號？將郵遞區號轉換為經度和緯度。並像處理其他數值一樣處理這些值。
計算各項特徵的相似度
現在請計算各項特徵的相似度。對於數字特徵，您只需找出差異。以二元特徵來說 (例如房屋有車庫)，你還可以找出要與 0 或 1 的差異。但是類別功能呢？請回答以下問題找出解答。
下列哪些是多值 (可以有多個值)？
顏色
特定住宅區可以有多種顏色，例如標有白色裝飾的藍色。因此，顏色是多值的功能。
郵遞區號
所有居所只能有一個郵遞區號。這項功能是一項無意間的功能。
類型
住家只能設為一種類型、房屋、公寓、公寓等，這表示這是獨一無二的功能。
您應該使用何種類型的相似度計算計算多值特徵的相似度？
Jaccard 相似度
假設住家是透過固定的顏色組合指派顏色。接著，使用一般值的比率 (Jaccard 相似度) 來計算相似度。
歐裡得美景
如果特徵是「郵遞區號」和「類型」，只有一個值 (不相同的特徵)，當特徵相符時，相似度指標為 0；否則，相似度測量為 1。
計算整體相似度
系統已按照特徵計算各項特徵的相似性。但是分群演算法需要與叢集房屋的整體相似性。使用根平均平方平方錯誤 (RMSE) 結合各項特徵相似度，即可計算一對房子之間的整體相似度。也就是說，\(s_1,s_2,\ldots,s_N\) 代表 \(N\) 功能的相似處：
\[\text{RMSE} = \sqrt{\frac{s_1^2+s_2^2+\ldots+s_N^2}{N}}\]
手動相似度評估的限制
如同本練習所示，當資料變得複雜時，處理及組合資料變得越來越不容易按語意化的方式評估相似度。請參考色彩資料。顏色應該是類別嗎？或者，我們要指派紅色和馬拉松等顏色，看似高於黑白的相似度嗎？在合併資料時，我們只對車庫功能進行加權，與房價相等。不過，房價比車庫那麼重要。以同等的權重衡量比例是否合理？
如果您建立的相似度無法準確反映範例之間的相似度，衍生叢集就沒有意義。這通常是類別分類的資料，因此我們會採用監督方式。