Matlab: مجموعة K-Means

Question

لديّ مصفاة من (369x10) والتي أريد أن أتجمع في 19 مجموعة. أنا أستخدم هذه الطريقة

[idx ctrs]=kmeans(A,19)

الذي ينتج عن IDX (369x1) و CTRS (19x10)

أحصل على النقطة إلى هنا. جميع صفوفاتي في A يتم تجميعها في 19 مجموعة.

الآن لدي صفيف B (49x10). أريد أن أعرف أين تتوافق صفوف هذا B في 19 مجموعة.

كيف يمكن أن يكون ذلك ممكنا في ماتلاب؟

شكرا لكم مقدما

Answer 1

لا أستطيع التفكير في طريقة أفضل للقيام بذلك من ما وصفته. من شأن وظيفة مدمجة أن تنقذ سطرًا واحدًا ، لكنني لم أتمكن من العثور على خط. إليك الرمز الذي سأستخدمه:

[ids ctrs]=kmeans(A,19);
D = dist([testpoint;ctrs]); %testpoint is 1x10 and D will be 20x20
[distance testpointID] = min(D(1,2:end));

Answer 2

فيما يلي مثال كامل على التجميع:

%% generate sample data
K = 3;
numObservarations = 100;
dimensions = 3;
data = rand([numObservarations dimensions]);

%% cluster
opts = statset('MaxIter', 500, 'Display', 'iter');
[clustIDX, clusters, interClustSum, Dist] = kmeans(data, K, 'options',opts, ...
    'distance','sqEuclidean', 'EmptyAction','singleton', 'replicates',3);

%% plot data+clusters
figure, hold on
scatter3(data(:,1),data(:,2),data(:,3), 50, clustIDX, 'filled')
scatter3(clusters(:,1),clusters(:,2),clusters(:,3), 200, (1:K)', 'filled')
hold off, xlabel('x'), ylabel('y'), zlabel('z')

%% plot clusters quality
figure
[silh,h] = silhouette(data, clustIDX);
avrgScore = mean(silh);


%% Assign data to clusters
% calculate distance (squared) of all instances to each cluster centroid
D = zeros(numObservarations, K);     % init distances
for k=1:K
    %d = sum((x-y).^2).^0.5
    D(:,k) = sum( ((data - repmat(clusters(k,:),numObservarations,1)).^2), 2);
end

% find  for all instances the cluster closet to it
[minDists, clusterIndices] = min(D, [], 2);

% compare it with what you expect it to be
sum(clusterIndices == clustIDX)

Answer 3

لا أعرف ما إذا كنت قد حصلت على المعنى بشكل صحيح ، ولكن إذا كنت تريد معرفة المجموعة التي تنتمي إلى نقاطك ، يمكنك استخدام وظيفة knnsearch بسهولة. لديها وسيطتين وسيبحث في الحجة الأولى عن أول واحد منهم الأقرب إلى الحجة الثانية.

Answer 4

على افتراض أنك تستخدم مقياس المسافة الإقليدي التربيعي ، جرب هذا:

for i = 1:size(ctrs,2)
d(:,i) = sum((B-ctrs(repmat(i,size(B,1),1),:)).^2,2);
end
[distances,predicted] = min(d,[],2)

يجب أن يحتوي المتوقع بعد ذلك على فهرس أقرب النقط الوسطى ، ويجب أن تحتوي المسافات على مسافات إلى أقرب النقط الوسطى.

ألقِ نظرة داخل وظيفة Kmeans ، في "Distfun" الوظيفي. هذا يوضح لك كيفية القيام بما سبق ، ويحتوي أيضًا على ما يعادل مقاييس المسافة الأخرى.

Answer 5

للحصول على كمية صغيرة من البيانات ، يمكنك القيام بذلك

[testpointID,dum] = find(permute(all(bsxfun(@eq,B,permute(ctrs,[3,2,1])),2),[3,1,2]))

لكن هذا غامض إلى حد ما. يخلق BSXFUN مع CTRS المحفوظة مجموعة 49 × 10 × 19 من المنجدات ، والتي هي آنذاك "All-Ed" عبر البعد الثاني ، مرة أخرى ، ثم يتم العثور على معرفات الصف. مرة أخرى ، ربما ليست عملية لكميات كبيرة من البيانات.