[英]k means clustering on matrix
我正在嘗試使用“ kmeans”算法對多維功能對象進行聚類。 這是什么意思:所以我不再每行或每一個個體都有一個向量,每個個體不再有一個3x3的觀察矩陣,例如:Individual = 1具有以下觀察結果:
(x1,x2,x3),(y1,y2,y3),(z1,z2,z3)。
其他個體也具有相同的觀察結構。 因此,您知道我如何與包括所有3個觀測向量的“ kmeans”聚類嗎?不僅是一個觀測向量如何正常用於“ kmeans”聚類? 您會分別對每個觀測向量fe(x1,x2,x3)進行處理,然后將信息以某種方式組合在一起嗎? 我想用R中的kmeans()
函數來做到這一點。
非常感謝您的回答!
使用k均值,您可以將每個觀測值解釋為N維向量空間中的一個點。 然后,您可以最小化觀測值與聚類中心之間的距離。
由於在N維空間中將數據視為點,因此值的實際排列無關緊要。
因此,您可以告訴您的k-means例程使用矩陣范數(例如Frobenius范數 )來計算距離。 另一種方法是將觀測值從3 x 3矩陣展平到1 x 9矢量。 NxN矩陣的Frobenius范數等效於1xN ^ 2向量的歐幾里德范數。
只要將kmeans()
的參數與所有三列一起提供,它將在3維中計算距離,如果這正是您想要的。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.