本例使用“Mushroom”数据集[3][4][5][6][7]来自UCI机器学习档案[7]，见http://archive.ics.uci.edu/ml/datasets/Mushroom。该数据集包括对各种蘑菇的8124个观察结果的22个预测因子。预测器是分类数据类型。例如，帽形以特征分类“b”用于钟形帽和“c”为锥形。蘑菇的颜色也有特征分类“n”对于棕色，和“p”为粉红色。该数据集还包括每种蘑菇的可食用或有毒分类。

由于蘑菇数据集的特征是分类的，因此不可能定义几个数据点的平均值，因此广泛使用k-means聚类算法不能有效地应用于该数据集。k- mediids是一个相关的算法，它将数据划分为k不同的聚类，通过找到最小化数据中点与其最近的中间点之间的不相似之和的中间点。

集合的中位数是该集合中与其他成员的平均不相似度最小的成员。相似性可以定义为许多类型的数据，不允许计算平均值，允许k-介质可以用于更广泛的问题k则。

使用k-medoids，本例基于所提供的预测因子将蘑菇分为两组。然后，它探讨了这些簇和蘑菇分类之间的关系，这些蘑菇要么是可食用的，要么是有毒的。

本例假设您已经下载了“Mushroom”数据集[3][4][5][6][7]从UCI数据库(http://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/)中获取，并将其保存为名为agaricus-lepiota.txt的文本文件。数据中没有列标头，所以readtable使用默认的变量名。

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

展示前5个蘑菇及其最初的几个特征。

数据(1:5,1:10)

ans = Var1 Var2 Var3 Var4 Var5 Var6 Var7 Var8 Var9 Var10  ____ ____ ____ ____ ____ ____ ____ ____ ____ _____ ' 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，标记可食用和有毒组的数据。然后删除该列。

标签= data(:，1);Labels = categorical(Labels {:，:});Data (:，1) = [];

存储预测器(特征)的名称，在http://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/agaricus-lepiota.names中有描述。

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;

共有2480个缺失值，记为“?”．

sum (char(数据{:,:})= =“?”）

Ans = 2480

根据对数据集及其描述的检查，缺失值只属于第11个变量(stalk_root)。从表中删除列。

Data (:，11) = [];

kmedoids只接受数字数据。您需要将您拥有的类别转换为数字类型。用于定义数据的不相似性的距离函数将基于分类数据的双重表示。

Cats = categorical(data{:，:});Data = double(cats);

kmedoids可以使用pdist2支持的任何距离度量来集群。金宝app对于本例，您将使用汉明距离对数据进行聚类，因为这是分类数据的合适距离度量，如下所示。两个矢量之间的汉明距离是矢量分量不同的百分比。例如，考虑这两个向量。

V1 = [1 0 2 1]；

V2 = [1 1 2 1]；

它们在第一，三，四坐标上是相等的。由于4个坐标中有1个不同，这两个向量之间的汉明距离为。25。

你可以使用这个函数pdist2测量第一和第二行数据之间的汉明距离，即蘑菇分类数据的数值表示。值0.2857表示蘑菇的21个特征中有6个不同。

: pdist2(数据(1),数据(2:)“汉明”）

Ans = 0.2857

在本例中，您将根据特征将蘑菇数据聚类到两个簇中，以查看聚类是否与可食性相对应。的kmedoids保证函数收敛于聚类准则的局部极小值;然而，这可能不是问题的全局最小值。将问题聚类几次是个好主意“复制”参数。当“复制”被设置为一个值，n，大于1，则运行k-medoids算法n次，并返回最佳结果。

运行kmedoids要根据汉明距离将数据分成2个簇，并返回3个重复的最佳结果，您可以运行以下命令。

rng (“默认”);%为了重现性[IDX, C, SUMD, D, MIDX, INFO] = kmedoids(data,2)“距离”，“汉明”，“复制”3);

让我们假设预测的第一组蘑菇是有毒的，第二组都是可食用的。为了确定聚类结果的性能，根据已知的标签，计算第一组中有多少蘑菇是有毒的，第二组中有多少蘑菇是可食用的。换句话说，计算假阳性、假阴性以及真阳性和真阴性的数量。

构造一个混淆矩阵(或匹配矩阵)，其中对角线元素分别表示真阳性和真阴性的数量。非对角线元素分别表示假阴性和假阳性。为方便起见，请使用confusionmat函数，它计算给定已知标签和预测标签的混淆矩阵。中获取预测的标签信息IDX变量。IDX每个数据点包含值1和2，分别代表有毒和可食用组。

predLabels =标签;为预测的标签初始化一个向量。predLabels(IDX==1) = categorical({“p”}）;%将组1指定为有毒。predLabels(IDX==2) = categorical({“e”}）;%指定第二组是可食用的。confMatrix = confusionmat(labels,predLabels)

confMatrix = 4176 32 816 3100

在4208个可食用蘑菇中，4176个被正确预测为第2组(可食用组)，32个被错误预测为第1组(有毒组)。同样，在3916个毒蘑菇中，3100个被正确预测为第1组(有毒组)，816个被错误预测为第2组(可食用组)。

给定这个混淆矩阵，计算准确度和精度，前者是真实结果(真阳性和真阴性)与整体数据的比例，后者是真阳性与所有阳性结果(真阳性和假阳性)的比例。

accuracy = (confMatrix(1,1)+confMatrix(2,2))/(sum(sum(confMatrix)))

精度= 0.8956

precision = confMatrix(1,1) / (confMatrix(1,1)+confMatrix(2,1))

精度= 0.8365

结果表明，将k-medoids算法应用于蘑菇的分类特征会产生与可食性相关的聚类。