cluster-analysis

-1热度

2回答

我的一般问题是：如何在加权无向社交网络/图中进行社区检测？数据集，我想群集看起来像这样， DrugA, DrugB,Weight x,y,6 y,z,9 y,p,5 x,p,3 在我的数据集我有毒品多个节点和它们之间的权重代表drugs.I之间的相似性要在更小的簇集群连接节点具有更高权重的节点连接在一起，即某种最小割。我可以使用哪种聚类算法对这类数据集进行聚类;最好来自Scikit-

1热度

1回答

基于R使用设置的参考点来映射苗地点

我在找上我应该采取与R. 映射一些点的方法的一些指导今年早些时候，我去了一个森林映射空间分配一些幼苗。我创建了一个网格 - 我每隔两米就用一个标记名设置一个标记，而我所做的是测量标记到幼苗的距离以及使用军事指南针的角度。我选择了这种方法，希望获得更好的精确度（GPS Garmins在冠层覆盖下证明这种任务是无用的）。我对空间分配工作完全陌生，所以我希望有人能够提供关于我应该使用哪些R软件包的指导

1热度

1回答

访问由KMeans群集分组的数据的有效方式

我试图围绕每个质心绘制圆，并将半径延伸到属于每个群集的最远点。现在我的圆圈半径从聚类中心这里延伸到一点，在整个训练数据集最远的绘制是我的代码： def KMeansModel(n): pca = PCA(n_components=2) reduced_train_data = pca.fit_transform(train_data) KM = KMeans(n_c

0热度

1回答

函数nndist和kNNdist有什么不同？

我目前正在尝试使用R来实现DBSCAN算法以查找我的数据中的离群值。为了初始化参数（特别是ε），我必须在我的示例中绘制到第k个邻居（我选择k = 3）的递增排序顺序的距离，并查看肘部在哪里选择ε的正确值。正如我所说我使用R统计语言，我发现了两种不同的函数，计算第k个邻居nndist()和kNNdist()的距离。如果我默认情况下很好理解，它使用欧几里德距离。但是在我的数据中，这些函数并不显示相同

0热度

1回答

Python：基于word2vec对类似单词进行聚类

这可能是我即将问到的天真问题。我有一个标记化的语料库，我已经训练了Gensim的Word2vec模型。代码如下 site = Article("http://www.datasciencecentral.com/profiles/blogs/blockchain-and-artificial-intelligence-1") site.download() site.parse() def

0热度

1回答

为什么k-meoid聚类使用绝对误差准则？

我是学生学习聚类。我知道k-medoid算法使用绝对误差准则，但我不明白为什么不使用像k-均值算法这样的平方误差准则。使用绝对误差标准而不是平方误差标准有什么优势？

0热度

1回答

Matlab从图像转换为双精度

我自学/探索Matlab。我正在做一些基本的图像处理和分析。我正在关注的教程将RGB图像转换为LaB颜色空间。 RGB = imread('Images/cow.jpg'); cform = makecform('srgb2lab'); lab_he = applycform(RGB,cform); imshow(lab_he); 一切工作正常，直到这一点。下

0热度

1回答

用于检测时间序列信号数据中峰值簇的算法

我有一个具有开/关数据的二进制时间序列数据集。这通常是短暂的，因此看起来像一个高峰。这是它的外观。我已检测到的峰和所述峰之间提取的时间间隔和有数据为它太（在底部小红色2WAY箭头）。问题是，正如我们可以看到的那样，峰值是聚类的，而且我想要对脉冲群大小（群集中的峰值数量），交织间隔（第一个群集的最后一个峰值与第一个峰值之间的距离）进行量化最后一个集群），没有。爆炸等。一旦识别出集群，这一切都很容

0热度

1回答

颜色分割：一个更好的聚类分析，找到K

我知道有这样的问题和一些解决方案，但我希望有另一种方法。目标：最终目标是聚集给定图像的颜色，然后允许用户更改这些颜色。用户不需要输入任何k。该算法确定K。方法：目前，我正在使用侧影评分指标（http://scikit-learn.sourceforge.net/dev/modules/generated/sklearn.metrics.silhouette_score.html#sklearn

0热度

2回答

平方和中的Kmeans总数是否随群集数量增加而增加？

当我在下面的代码中使用时，我看到在总平方中的总数增加。这甚至可能，或者我在代码中犯了一些错误？ v<-foreach(i = 1:30,.combine = c) %dopar% { iter <- kmeans (clustering_data,centers = i,iter.max = 1000) iter$tot.withinss }