Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > یادگیری (Learning) > خوشه بندی(Clustering)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۰۷-۹-۱۳۹۲, ۰۱:۳۸ بعد از ظهر   #11 (لینک دائم)
عضو فوق فعال
 
آواتار c1354
 
تاريخ عضويت: دي ۱۳۹۰
پست ها: 25
تشكرها: 2
0 تشكر در 0 پست
پيش فرض

سپاسگزارم اما چطور k-means اجرا کنم در متلب؟ بازم تشکر فراوان
c1354 آفلاين است   پاسخ با نقل قول

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۰۷-۹-۱۳۹۲, ۰۱:۴۴ بعد از ظهر   #12 (لینک دائم)
Super Moderator
 
آواتار raha_hakhamanesh
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: دنیا
پست ها: 281
تشكرها: 28
253 تشكر در 147 پست
My Mood: Zodranj
پيش فرض

نقل قول:
نوشته اصلي بوسيله c1354 نمايش پست
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.
__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)
raha_hakhamanesh آفلاين است   پاسخ با نقل قول
از raha_hakhamanesh تشكر كرده است:
ehsan_teimouri (۰۷-۱۳-۱۳۹۲)
قديمي ۰۷-۱۰-۱۳۹۲, ۰۸:۵۵ قبل از ظهر   #13 (لینک دائم)
عضو فوق فعال
 
آواتار BahramHedayati
 
تاريخ عضويت: اسفند ۱۳۸۹
پست ها: 23
تشكرها: 25
12 تشكر در 9 پست
پيش فرض

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
BahramHedayati آفلاين است   پاسخ با نقل قول
قديمي ۰۷-۱۱-۱۳۹۲, ۰۸:۱۶ بعد از ظهر   #14 (لینک دائم)
Moderator
 
آواتار babak_1234
 
تاريخ عضويت: شهريور ۱۳۸۸
محل سكونت: تهران
پست ها: 252
تشكرها: 1
140 تشكر در 108 پست
My Mood: Khonsard
پيش فرض

نقل قول:
نوشته اصلي بوسيله BahramHedayati نمايش پست
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
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
babak_1234 آفلاين است   پاسخ با نقل قول
از babak_1234 تشكر كرده است:
ehsan_teimouri (۰۷-۱۳-۱۳۹۲)
قديمي ۱۲-۶-۱۳۹۲, ۰۹:۵۶ قبل از ظهر   #15 (لینک دائم)
عضو فوق فعال
 
آواتار soft92
 
تاريخ عضويت: آبان ۱۳۹۲
پست ها: 74
تشكرها: 26
5 تشكر در 5 پست
My Mood: Sepasgozar
پيش فرض

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.
soft92 آفلاين است   پاسخ با نقل قول
از soft92 تشكر كرده است:
هرو (۰۷-۳۰-۱۳۹۳)
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۶:۴۱ قبل از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design