kmedoids

这个示例使用“蘑菇”数据集[3][4][5][6][7]在UCI机器学习档案[7]描述在http://archive.ics.uci.edu/ml/datasets/Mushroom。数据集包括22个预测8124年观察各种蘑菇。预测分类数据类型。例如,帽子的形状与特征分类“b”钟形帽和“c”为锥形。蘑菇颜色也分类的特性“n”布朗,“p”为粉红色。数据集还包括一个为每个蘑菇可以食用或有毒的分类。

因为蘑菇数据集的特征分类,不可能定义几个数据点的平均值,因此广泛使用k——聚类算法不能有效地应用于该数据集。k-medoids是分区数据到一个相关的算法k独特的群体,通过寻找medoids最小化之间的异同点的总和的数据和他们最近的medoid。

的一组属于medoid组平均不同与其他的成员是最小的。相似度可以定义许多类型的数据,不允许平均计算,允许k-medoids用于更广泛的问题k则。

使用k-medoids,这个示例集群蘑菇分成两组,根据提供的预测因子。然后探讨之间的关系这些集群和分类食用或有毒的蘑菇。

这个示例假设您已经下载了“蘑菇”数据集[3][4][5][6][7]从UCI数据库(http://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/)并保存在当前目录agaricus-lepiota.txt命名的文本文件。没有数据的列标题,所以readtable使用默认的变量名。

清晰的所有数据= readtable (“agaricus-lepiota.txt”,“ReadVariableNames”、假);

显示前5的蘑菇头几个特性。

数据(1:5,1:10)

ans = Var1 Var2 Var3 Var4 Var5 Var6 Var7 Var8 Var9 Var10 ____上上上上_____“p”' x ' s ' n ' ' t ' ' p ' f ' c ' ' n ' ' k ' ' e ' ' x ' s ' y ' ' t ' ' ' f ' c ' b ' k ' ' e ' ' b ' s ' w ' ' t ' ' l ' f ' c ' b ' n ' ' p ' ' x ' y ' w ' ' t ' ' p ' f ' c ' ' n ' ' n ' ' e ' ' x ' s ' g ' f ' n ' f ' w ' ' b '“k”

提取第一列带安全标签的数据时,可食用的和有毒的团体。然后删除列。

标签=数据(:1);=分类标签(标签{:,:});数据(:1)= [];

商店的名字预测(特性),在http://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/agaricus-lepiota.names。

VarNames = {“cap_shape”“cap_surface”“cap_color”“淤青”“气味”…“gill_attachment”“gill_spacing”“gill_size”“gill_color”…“stalk_shape”“stalk_root”“stalk_surface_above_ring”…“stalk_surface_below_ring”“stalk_color_above_ring”…“stalk_color_below_ring”“veil_type”“veil_color”“ring_number”…。“ring_type”“spore_print_color”“人口”“栖息地”};

设置变量名。

data.Properties。VariableNames = VarNames;

总共有2480人失踪值表示“?”。

sum (char(数据{:,:})= =“?”)

ans = 2480

基于数据的检验集及其描述,缺失值只属于11变量(stalk_root)。从表中删除列。

数据(:11)= [];

kmedoids只接受数字数据。你需要把类别为数值类型。您将使用距离函数定义数据的不同将基于双分类数据的表示。

猫=分类(数据{:,:});data =双(猫);

kmedoids可以使用任何距离度量pdist2支持集群。金宝app对于这个示例集群数据使用的汉明距离,因为这是一个适当的距离度量分类数据如下图所示。两个向量之间的汉明距离是矢量的比例不同的组件。例如,考虑这两个向量。

v1 = [1 0 2 1];

v2 = [1 1 2 1];

他们是平等的在第一,3日和4日坐标。因为1的4坐标不同,这两个向量之间的汉明距离是二十五分。

您可以使用函数pdist2测量第一行和第二行之间的汉明距离的数据,分类蘑菇的数值表示的数据。.2857价值意味着6的21个蘑菇的特点不同。

:pdist2(数据(1),数据(2:)“汉明”)

ans = 0.2857

在这个例子中,您集群蘑菇数据为两个集群基于特征聚类是否对应于可食性。的kmedoids功能是保证收敛到局部最小值的聚类标准;然而,这可能不是一个全球最小的问题。这是一个好主意集群问题几次使用“复制”参数。当“复制”将一个值,n大于1,k-medoids算法运行n次,最好的结果是返回。

运行kmedoids集群数据2集群,基于汉明距离和返回3复制的最好的结果,你运行以下。

rng (“默认”);%的再现性[SUMD IDX, C, D, MIDX信息]= kmedoids(数据2“距离”,“汉明”,“复制”3);

假设预测组1的蘑菇有毒、组2都是可以食用的。确定集群的性能结果,计算有多少蘑菇1的确是有毒的和组2组是基于已知的可食用的标签。换句话说,计算数量的假阳性,假阴性,以及真正的优势和真正的不足。

构造一个混淆矩阵(或匹配矩阵),那里的对角元素代表的数量真阳性和真正的阴性,分别。非对角元素代表假阴性和假阳性,分别。为了方便起见,使用confusionmat函数,计算一个混淆矩阵已知的标签和标签预测。得到预测的标签信息IDX变量。IDX包含1和2的值为每个数据点,分别代表有毒的和可食用的团体。

predLabels =标签;%初始化矢量预测标签。predLabels (IDX = = 1) =分类({“p”});%分配组1是有毒的。predLabels (IDX = = 2) =分类({“e”});%分配组2是可以食用的。predLabels confMatrix = confusionmat(标签)

confMatrix = 4176 32 816 3100

4208食用菌,4176被正确预测组2(食用组),和32是错误地预测在组1(有毒集团)。类似地,3916有毒蘑菇,3100被正确预测组1(有毒集团),和816年被错误地预测组2(食用组)。

鉴于这种混淆矩阵,计算精度,这是真正的结果的比例(真阳性和真正的阴性)对整个数据和精度,这是真正的阳性的比例对所有积极的结果(真阳性和假阳性)。

精度= (confMatrix (1,1) + confMatrix(2, 2)) /(和(sum (confMatrix)))

精度= 0.8956

精度= confMatrix (1, - 1) / (confMatrix (1,1) + confMatrix (2,1))

精度= 0.8365

结果表明,k-medoids算法应用到蘑菇,都导致了集群的分类特性与可食性。