Artificial Intelligence - هوش مصنوعی - سوالات متداول در مورد الگوریتم های خوشه بندی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)

- خوشه بندی(Clustering) (http://artificial.ir/intelligence/forum105.html)

- - سوالات متداول در مورد الگوریتم های خوشه بندی (http://artificial.ir/intelligence/thread11654.html)

سپاسگزارم اما چطور k-means اجرا کنم در متلب؟ بازم تشکر فراوان

نقل قول:

نوشته اصلي بوسيله c1354 (پست 30300)

سپاسگزارم اما چطور k-means اجرا کنم در متلب؟ بازم تشکر فراوان

برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید

كد:

Syntax



IDX = kmeans(X,k)

[IDX,C] = kmeans(X,k)

[IDX,C,sumd] = kmeans(X,k)

[IDX,C,sumd,D] = kmeans(X,k)

[...] = kmeans(...,param1,val1,param2,val2,...)







Description



IDX = kmeans(X,k) partitions the points in the n-by-p data matrix X into k clusters. This iterative partitioning minimizes the sum, over all clusters, of the within-cluster sums of point-to-cluster-centroid distances. Rows of X correspond to points, columns correspond to variables. kmeans returns an n-by-1 vector IDX containing the cluster indices of each point. By default, kmeans uses squared Euclidean distances. When X is a vector, kmeans treats it as an n-by-1 data matrix, regardless of its orientation.

[IDX,C] = kmeans(X,k) returns the k cluster centroid locations in the k-by-p matrix C.

[IDX,C,sumd] = kmeans(X,k) returns the within-cluster sums of point-to-centroid distances in the 1-by-k vector sumd.

[IDX,C,sumd,D] = kmeans(X,k) returns distances from each point to every centroid in the n-by-k matrix D.

[...] = kmeans(...,param1,val1,param2,val2,...) enables you to specify optional parameter/value pairs to control the iterative algorithm used by kmeans. Valid parameter strings are listed in the following table.

سلام وقت بخیر ...
شاید یکی از مهمترین مباحثی که در خوشه بندی مطرح است، ارزیابی مدل خوشه بندی تولید شده (صرف نظر از نوع نرم افزار مدل ساز) می باشد که متأسفانه در عمل توجه زیادی به آن نمی شود.

اکثر پروژه های داده کاوی که بنده ملاحظه کرده ام، صرفاً شامل مدل خوشه بندی بوده است و تأکید بر آن بوده است که هر خوشه تولید شده نسبت به سایر خوشه ها داده های خیلی کمی نداشته باشد. بر این اساس تعداد خوشه ها را تعیین می کنند.

سؤال من مشخصاً این است که چگونه مدل خوشه بندی خود را بر اساس پارامترهای ریاضی ارزیابی کنیم که از میزان صحت و دقت آن اطمینان داشته باشیم؟

با تشکر

نقل قول:

نوشته اصلي بوسيله BahramHedayati (پست 30310)

سلام دوست من

به نظر من ارزیابی مدل خوشه بندی به صورت صرفا ریاضی بسیار مشکل است.

۱- روش های مختلف خوشه بندی ممکن است نتایج مختلفی را در بر داشته باشد.
۲- استفاده از Similarity Measure های مختلف در تولید خوشه ها، ممکن است نتایج مختلفی در بر داشته باشد.
۳- تولید خوشه های تهی لزوما به معنی بد عمل کردن الگوریتم خوشه بندی نمیباشد.
۴- همیشه امکان تعیین تعداد خوشه ها به صورت ثابت وجود ندارد. همچنین تعیین تعداد واقعی این خوشه ها یک مساله بسیار مشکل میباشد.

عموما برای ارزیابی مدل خوشه بندی باید نتایج بدست آمده را مورد ارزیابی قرار بدهید. در ارزیابی این نتایج یک پارامتر بسیار مهم Similarity Measure میباشد. روش های مختلفی برای این کار وجود دارد که با توجه به کاربرد تعریف میشود.

موفق باشید

سلام دوستان راجع به خوشه بندي optics سوالي داشتم وقتي ديتاستمو خوشه بندي ميكنم تمامي نمونه هام c_dist: UNDEFINED r_dist: UNDEFINED هستند و خوشه بندي انجام نميده كسي ميتونه كمكم كنه.در ضمن ديتاست من mushroom هست .ممنون.