cluster-analysis

-1熱度

2回答

我的一般問題是：如何在加權無向社交網絡/圖中進行社區檢測？數據集，我想羣集看起來像這樣， DrugA, DrugB,Weight x,y,6 y,z,9 y,p,5 x,p,3 在我的數據集我有毒品多個節點和它們之間的權重代表drugs.I之間的相似性要在更小的簇集羣連接節點具有更高權重的節點連接在一起，即某種最小割。我可以使用哪種聚類算法對這類數據集進行聚類;最好來自Scikit-

1熱度

1回答

基於R使用設置的參考點來映射苗地點

我在找上我應該採取與R. 映射一些點的方法的一些指導今年早些時候，我去了一個森林映射空間分配一些幼苗。我創建了一個網格 - 我每隔兩米就用一個標記名設置一個標記，而我所做的是測量標記到幼苗的距離以及使用軍事指南針的角度。我選擇了這種方法，希望獲得更好的精確度（GPS Garmins在冠層覆蓋下證明這種任務是無用的）。我對空間分配工作完全陌生，所以我希望有人能夠提供關於我應該使用哪些R軟件包的指導

1熱度

1回答

訪問由KMeans羣集分組的數據的有效方式

我試圖圍繞每個質心繪製圓，並將半徑延伸到屬於每個羣集的最遠點。現在我的圓圈半徑從聚類中心這裏延伸到一點，在整個訓練數據集最遠的繪製是我的代碼： def KMeansModel(n): pca = PCA(n_components=2) reduced_train_data = pca.fit_transform(train_data) KM = KMeans(n_c

0熱度

1回答

函數nndist和kNNdist有什麼不同？

我目前正在嘗試使用R來實現DBSCAN算法以查找我的數據中的離羣值。爲了初始化參數（特別是ε），我必須在我的示例中繪製到第k個鄰居（我選擇k = 3）的遞增排序順序的距離，並查看肘部在哪裏選擇ε的正確值。正如我所說我使用R統計語言，我發現了兩種不同的函數，計算第k個鄰居nndist()和kNNdist()的距離。如果我默認情況下很好理解，它使用歐幾里德距離。但是在我的數據中，這些函數並不顯示相同

0熱度

1回答

Python：基於word2vec對類似單詞進行聚類

這可能是我即將問到的天真問題。我有一個標記化的語料庫，我已經訓練了Gensim的Word2vec模型。代碼如下 site = Article("http://www.datasciencecentral.com/profiles/blogs/blockchain-and-artificial-intelligence-1") site.download() site.parse() def

0熱度

1回答

爲什麼k-meoid聚類使用絕對誤差準則？

我是學生學習聚類。我知道k-medoid算法使用絕對誤差準則，但我不明白爲什麼不使用像k-均值算法這樣的平方誤差準則。使用絕對誤差標準而不是平方誤差標準有什麼優勢？

0熱度

1回答

Matlab從圖像轉換爲雙精度

我自學/探索Matlab。我正在做一些基本的圖像處理和分析。我正在關注的教程將RGB圖像轉換爲LaB顏色空間。 RGB = imread('Images/cow.jpg'); cform = makecform('srgb2lab'); lab_he = applycform(RGB,cform); imshow(lab_he); 一切工作正常，直到這一點。下

0熱度

1回答

用於檢測時間序列信號數據中峯值簇的算法

我有一個具有開/關數據的二進制時間序列數據集。這通常是短暫的，因此看起來像一個高峯。這是它的外觀。我已檢測到的峯和所述峯之間提取的時間間隔和有數據爲它太（在底部小紅色2WAY箭頭）。問題是，正如我們可以看到的那樣，峯值是聚類的，而且我想要對脈衝羣大小（羣集中的峯值數量），交織間隔（第一個羣集的最後一個峯值與第一個峯值之間的距離）進行量化最後一個集羣），沒有。爆炸等。一旦識別出集羣，這一切都很容

0熱度

1回答

顏色分割：一個更好的聚類分析，找到K

我知道有這樣的問題和一些解決方案，但我希望有另一種方法。目標：最終目標是聚集給定圖像的顏色，然後允許用戶更改這些顏色。用戶不需要輸入任何k。該算法確定K。方法：目前，我正在使用側影評分指標（http://scikit-learn.sourceforge.net/dev/modules/generated/sklearn.metrics.silhouette_score.html#sklearn

0熱度

2回答

平方和中的Kmeans總數是否隨羣集數量增加而增加？

當我在下面的代碼中使用時，我看到在總平方中的總數增加。這甚至可能，或者我在代碼中犯了一些錯誤？ v<-foreach(i = 1:30,.combine = c) %dopar% { iter <- kmeans (clustering_data,centers = i,iter.max = 1000) iter$tot.withinss }