필리 인근에서 점 목록

Question

나 반 응답에 대한 질문을 찾는 클러스터의 질량 비트맵.말 반 응답했기 때문에 나는 그것을 떠난 상태에서 어디서 나는 모든 지점에서 비트맵으로 정렬 질량과 왼쪽 그것은 독자에게 목록을 필터링 제거한 포인트에서 동일한 클러스터입니다.

그런 다음에 대해 생각할 때는 단계 I 을 발견하는 솔루션을 하지 않았 밖으로 뛰어 나처럼 생각했습니다.그래서 이제 나는 너희들을 위해 도움이됩니다.우리는 점의 목록과 함께 대중과 같은 정도(Python 목록의 튜플을,하지만 당신은 나타낼 수 있으로 그것을 당신이 볼에 맞게 어떤 언어):

[ (6, 2, 6.1580555555555554),
  (2, 1, 5.4861111111111107),
  (1, 1, 4.6736111111111107),
  (1, 4, 4.5938888888888885),
  (2, 0, 4.54),
  (1, 5, 4.4480555555555554),
  (4, 7, 4.4480555555555554),
  (5, 7, 4.4059637188208614),
  (4, 8, 4.3659637188208613),
  (1, 0, 4.3611111111111107),
  (5, 8, 4.3342191043083904),
  (5, 2, 4.119574829931973),
  ...
  (8, 8, 0.27611111111111108),
  (0, 8, 0.24138888888888888) ]

각 행의 형태로 되어 있습니다.

(x, y, mass)

참고로 목록을 정렬 여기에.는 경우에 당신의 솔루션을 선호하지 않는 그들이 그것을 완벽하게 확인.

도전 당신이 기억하는 경우, 을 찾을 수 있습니다 주요 클러스터의 질량.클러스터의 수를 알 수 없습니다.하지만 알다시피 차원의 bitmap.때때로 여러 지점에서 클러스터의 더 많은 대량의 중심보다 다음(크기)클러스터입니다.그래서 내가 원하는 것은 위에서 대량 포인트 제거 점에서 동일한 클러스터(포인트 인근).

려고 할 때 이 나에는 도보를 통해 부품의 목록니다.나는 느낌이 나는 그냥 바보니다.어떻게 그렇게 하겠소?의사 코드 또는 실제 코드입니다.물론할 수 있는 경우,다만 내가 왼쪽에서 그 답이 쉽게 나를 위해 실험을습니다.

다음 단계는 그는 얼마나 많은 클러스터는 정말 거기에서 bitmap.나는 여전히 어려움을 겪고로 정의하는 문제 그래서 나는 반환할 수 있습니다 질문에 대한니다.

편집: 난 명확하게 알고 있는 것이 없다"올바른"이 질문에 대답.는 이름의 질문의 핵심입니다.단계 하나의 제 클러스터링이 수행됩니다. Im 에서 검색을 빠르고,정확한"충분히"방법의 필터링하리 근처의 포인트입니다.

알려주는 경우에 당신이 볼 수있는 방법들에게 질문을 명확하다.

Answer 1

너도 알다시피 질문에 대한 솔루션 병-인 문제:더 확실한 솔루션이 존재합니다.는...그것은 그냥 재미를 더합니다.귀하의 문제가 아픈 제기하는 대부분을 모르기 때문에 얼마나 많은 클러스터의 당신이 원하는.클러스터링을 하나의 핵심 영역에 대해 기계 학습하고 있는 꽤 몇 가지 접근 방식이 개발되었습니다.

로 거미 지적, k-means 알고리즘 경향이나 그것은 매우 쉽게 구현할 수 있습니다.결과로 의존에서 처음 만들어 추측하고의 수에 원하는 클러스터입니다.을 극복하는 초기 생각,그것은 일반적인을 실행하는 알고리즘 많은 시간을 가진 임의의 초기화가 선택 최상의 결과를 얻을 수 있습니다.해야 합 무엇을 정의하는"가"를 의미한다.하나 측정하는 것을 의미 제곱 거리의 각 지점은 클러스터 센터도 있습니다.하려는 경우 자동으로 추측한 얼마나 많은 클러스터가있다,당신은 당신을 실행해야 하는 알고리즘의 전체 범위와 숫자의 클러스터입니다.어떤 좋은"최고의"측정,더 많은 클러스터는 항상보다 더 적은,그래서 당신은 방법이 필요를 처벌하는 너무 많은 클러스터입니다.이 MDL 토론에서 위키백과 좋은 출발점입니다.

K-의 클러스터링은 기본적으로 가장 간단한 모델 혼합물.때로는 도움이 됩 업그레이드 혼합물의 Gaussians 배 expectation maximization(에서 설명한 링크를 제공).이보다 더 강력한 k-의미입니다.그것은 조금 더 노력하는 그것을 이해하지만,당신이 할 때,그보다 훨씬 더 k-의미를 구현할 수 있습니다.

많은 다른 클러스터링 기술 과 같은 주로 융합 클러스터링과 클러스터링은 스펙트럼.주로 융합 클러스터링은 매우 쉽게 구현할 수 있지만,선택할 때를 중지 건물의 클러스터의 까다로운 일이 될 수 있습니다.당신이 경우에 주로 융합 클러스터링,당신은 아마에서 보고 싶 kd 트 에 대한 빠르게 가장 가까운 이웃을 검색합니다.smacl 의 대답에 대해 설명합 하나 약간씩 다른 방법을 주로 융합 클러스터링을 사용하여 보로 노 다이어그램입니다.

모델이 있는 자의 수를 선택합 클러스터에 대한 당신 같은 사람을 기반으로 Latent Dirichlet Allocation, 지만,그들은 많은 힘을 이해하는 구습니다.

수도 있습보고 싶 mean-shift 알고리즘을 보면 가까운 당신이 정말로 원하는 것.

Answer 2

그것은 나에게 소리처럼 당신이 찾고있는 대 K-means 알고리즘이 있습니다.

Answer 3

에서 언급했듯이 코멘트를 당신의 질문에,응답에 기초하는지 여부를 대량으로 간주 될 수 있는 스칼라에서 이러한 맥락이다.그렇다면,컬러 기반의 솔루션은 아마이 작동하지 않을 컬러로 자주하지 않으로 촬영되는 스칼라.

예를 들면,내가 지정된 영역 1 점의 높이,질량은 그 동일로는 같은 영역과는 10 포인트의 1/10 질량?이것이 진실한 경우,질량 스칼라 이러한 맥락에서,나를 보이는 경향이있는 알고리즘을 사용한 공간적으로 gouping 유사한 비 확장 가능한 값은,예를 들어, 보로 노이 다이어그램.

이 경우,어디에 인접한 두 개의 보로 노 지역은 충분히 가까이 대량 매치하고 거리,그들은 클러스터링할 수 있습니다 함께.을 반복할 수 있는 이 모든 클러스터입니다.

는 경우에 다른 한편으로는,당신의 질량는 확장,또는 질량에서 알 수 없는 위치를 보정할 수 있 주변 점에서,내가해 경향이 있을 것입 삼각 측량 과 윤곽에 입력된 데이터 및 사용 지역 사이의 윤곽을 찾는 클러스터의 비슷한 질량.

Answer 4

이 소리를 색상과 같은 양자화,당신의 수를 줄이는 색상에서 이미지입니다.방법 중 하나는 것을 그릴의 색상,공간과 결합 클러스터의 중심으로(또는 가중 평균)의 클러스터입니다.

의 이름을 정확히는 알고리즘 트리거 이 메모리의 실패이지만,저는 것이를 편집하고 팝업창이 나타나면,그러나 그러는 동안,당신을 봐야 한 색상을 양자화면의 일부를 알고리즘이 유용합니다.

Answer 5

시작으로"Convex Hull"문제입니다.당신은 또한 일부를 찾고"convex hull"같은 클러스터입니다.

참고는"클러스터를"은 막연하다.은 당신이 평균 질량에서 당신의 분야이다.몇 가지 포인트가 평균 이상 질량,그리고 일부는 아니다.얼마나 위의 평균을 의미를 발견했을 클러스터?얼마나 멀리 떨어져 있지 노드가 될 클러스터의 일부 또는 별도의 클러스터?

의 차이점은 무엇을 두는 산 능선?

당신이 계산하는"지형"-에 합류하는 모든 지점과 동일한 밀도로 지역입니다.하는 것이 필요합니다 당신이 자리를 선택하고 작업하에서 원하는 지점에서 반경 방향으로,위치 위치는 밀도 같습니다.에 연결할 수 있는 사람들로 포인트 지역입니다.

만약 당신이 고른 초기 지점에,현명하게 지어야 합니다.따기 시작 지점을 쉽기 때문에 당신은 시작에서는 지역이 되겠습니다.

Answer 6

기 때문에 당신은 이미 이야기에 대한 질량,왜 중력 기반의 솔루션입니다.간단한 입자 시스템을 필요가 없을 것입 슈퍼,정확한 당신이 그것을 실행하는 너무 오래 전에 만들 수 있는 더 나은 추측에서의 번호를 클러스터입니다.

는 경우에 대해 더 좋은 생각을 가지고 번호 클러스터,k-의 가장 가까운 이웃하는 것이 가능해집니다.