데이터 세트의 그룹 감지

Question

여기에 표시된 것과 같은 데이터 포인트 그룹을 가정합니다 (이 그래프는 내 문제에만 국한되지 않고 적절한 예로 사용).

산란 그래프를 시각적으로 검사하면 데이터 포인트가 두 개의 '그룹'을 형성하는 것이 분명합니다.

알고리즘을 찾고 있습니다.

• 두 가지 이상의 차원의 데이터 세트로 시작하십시오.
• 사전 지식없이 데이터 세트에서 해당 그룹을 감지하여 몇 명 (또는 경우)에 대한 지식이 있습니다.
• 그룹이 감지되면 새로운 샘플 포인트가 그룹에 맞는 것처럼 보이면 그룹의 모델을 '물어 봅니다.

Answer 1

많은 선택이 있지만, 새로운 데이터 포인트가 특정 혼합물에 속할 확률에 관심이 있다면, 최대 가능성 또는 베이에 의해 추정 된 가우스 혼합물 모델링과 같은 확률 론적 접근법을 사용합니다.

최대 가능성 추정 Mixtures 모델은 MATLAB에서 구현됩니다.

구성 요소 수를 알 수 없다는 요구 사항은 모델을 더욱 복잡하게 만듭니다. 지배적 인 확률 론적 접근법은 일부 베이지안 방법에 의해 혼합 분포와 추정치에 더 먼저 Dirichlet 프로세스를 배치하는 것입니다. 예를 들어, 참조하십시오 무한 가우스 혼합물 모델에 대한이 논문. DP 혼합 모델은 구성 요소의 수와 각 요소가 속한 구성 요소에 대한 추론을 제공합니다. 이는 정확히 원하는 것입니다. 또는 구성 요소 수에 대한 모델 선택을 수행 할 수 있지만 일반적으로 우아하지 않습니다.

DP 혼합 모델 모델의 많은 구현이 있지만 편리하지 않을 수 있습니다. 예를 들어, 여기에 a가 있습니다 MATLAB 구현.

귀하의 그래프는 귀하가 R 사용자임을 암시합니다. 이 경우 준비된 솔루션을 찾고 있다면 질문에 대한 답은 이것에 있습니다. 클러스터 분석에 대한 작업보기.

Answer 2

나는 당신이 K- 평균 클러스터링 알고리즘.

대부분의 범용 언어에서 적절한 구현을 찾을 수 있어야합니다.

Answer 3

클러스터링 알고리즘 중 하나가 필요합니다. 그들 모두는 2 개의 그룹으로 이루어질 수 있습니다.

1. 예제에 그룹 수 (클러스터) -2 개의 클러스터를 지정합니다.
2. 알고리즘 자체적으로 올바른 수의 클러스터를 추측하려고합니다.

첫 번째 유형의 알고리즘을 원한다면 K- 평균이 실제로 필요한 것입니다.

두 번째 유형의 알고리즘을 원한다면 계층 적 클러스터링 알고리즘 중 하나가 필요할 수 있습니다. 나는 그들 중 어느 것도 구현하지 않았습니다. 그러나 나는 클러스터의 수를 지정할 필요가없는 방식으로 K- 평균을 개선하는 쉬운 방법을 본다.