-2
Q
映射的聚類算法
A
回答
0
library(ggplot2)
# Construct Data
set.seed(23)
lat <- c(seq(from = 16.3478, to = 14.1329876, length.out = 500),
seq(from = 18.5478, to = 19.567, length.out = 500))
lat <- sample(x = lat, size = 100)
lon <- seq(from = 45.987, to = 46.98237, length.out = 1000)
lon <- sample(x = lon, size = 100)
# Place inside data.frame
df_latlon <- data.frame(lat, lon)
cluster_latlon <- kmeans(x = df_latlon, centers = 2, nstart = 20)
df_latlon <- cbind(df_latlon, cluster_latlon$cluster)
# Output ggplot with colored values
ggplot(df_latlon) +
geom_point(aes(lat, lon, color = as.factor(cluster_latlon$cluster)))
cluster_latlon$centers
cluster_latlon$cluster
0
你的問題本質上是「我該怎麼做羣集」。
它不能簡潔地回答,但你應該閱讀關於聚類的教科書。
k-means不適用於經緯度,因爲它是最小二乘法,但1度緯度不等於1度經度(通常)。使用PAM,層次聚類,DBSCAN等
相關問題
- 1. 映射應用程序的聚類算法
- 2. 位映射算法
- 3. XSLT映射算法
- 4. 通過兩種不同算法在聚類結果中進行映射R
- 5. 映射連接算法
- 6. 保形映射算法
- 7. IP到ASN映射算法
- 8. 圖像重映射算法
- 9. TSP的聚類算法
- 10. 強大的聚類算法
- 11. 聚簇哈希映射
- 12. 字符串聚類算法
- 13. 自定義聚類算法
- 14. Leader聚類算法解釋
- 15. 隨機聚類算法
- 16. ELKI聚類FDBSCAN算法
- 17. 二維聚類算法
- 18. 計算神經元在自組織映射中的距離用於聚類
- 19. 索引映射的高效算法
- 20. unique_ptr用法 - 類映射
- 21. 休眠映射,在未映射的類
- 22. 映射超類的關聯映射
- 23. TCL計算映射
- 24. WEKA類映射和減少KMeans階段在hadoop上聚類
- 25. 流利NHibernate的聚合對象映射
- 26. Dapper正確的對象/聚合映射
- 27. 基於映射的計算
- 28. 紋理映射通用算法
- 29. 屬性和值映射算法
- 30. MongoDB的類映射
請閱讀[如何提出一個好問題](http://stackoverflow.com/help/how-to-ask)以及如何給出[可重現性示例](http://stackoverflow.com/questions/5963269)。這會讓其他人更容易幫助你。 – zx8754
這可能有幫助。 http://stackoverflow.com/questions/28672399/spatial-clustering-in-r-simple-example –