轮廓
轮廓图
描述
轮廓(接受一个或多个额外的距离度量当你指定参数值X,clust,距离,DistParameter)距离作为一个自定义距离函数处理@接受额外的参数值。distfun
例子
创建轮廓图
从集群创建轮廓图数据使用不同的距离度量。
生成随机样本数据。
rng (“默认”)%的再现性X = [randn (10, 2) + 3; randn (10, 2) 3);
创建一个数据的散点图。
散射(X (: 1), (2):,);标题(随机生成的数据的);
散点图显示数据似乎被分成两个相等大小的集群。
使用数据分割成两个集群kmeans使用默认的平方欧氏距离度量。
clust = kmeans (X, 2);
clust包含集群指数的数据。
创建一个轮廓图从集群数据使用默认平方欧氏距离度量。
clust轮廓(X)
轮廓图显示数据分成两个相等大小的集群。所有的点在两个集群拥有庞大的轮廓值(0.8或更高版本),表明集群是否很好地分开。
创建一个轮廓图从集群数据使用欧氏距离度量。
clust轮廓(X,“欧几里得”)
轮廓图显示数据分成两个相等大小的集群。所有的点在两个集群拥有庞大的轮廓值(0.6或更高版本),表明集群是否很好地分开。
计算轮廓值
从集群数据计算轮廓值。
生成随机样本数据。
rng (“默认”)%的再现性X = [randn (10, 2) + 1; randn (10, 2) 1];
集群中的数据X基于绝对距离的差异用的总和kmeans。
clust = kmeans (X 2“距离”,“cityblock”);
clust包含集群指数的数据。
集群计算轮廓值数据。指定的距离度量“cityblock”表明的kmeans聚类是基于绝对差异的总和。
s =轮廓(X, clust,“cityblock”)
s =20×10.0816 0.5848 0.1906 0.2781 0.3954 0.4050 0.0897 0.5416 0.6203 0.6664⋮
找到轮廓值使用自定义距离度量
找到轮廓值集群数据使用自定义卡方距离度量。验证卡方距离度量相当于欧氏距离度量,但有一个可选的尺度参数。
生成随机样本数据。
rng (“默认”);%的再现性X = [randn (10, 2) + 3; randn (10, 2) 3);
集群中的数据X使用kmeans使用默认的平方欧氏距离度量。
clust = kmeans (X, 2);
找到轮廓值并创建一个轮廓图从集群数据使用欧氏距离度量。
[s、h] =轮廓(X, clust“欧几里得”)
s =20×10.6472 0.7241 0.5682 0.7658 0.7864 0.6397 0.7253 0.7783 0.7054 0.7442⋮
h =图(1)性质:数量:1名称:“颜色:(1 1 1)位置:(348 376 583 437)单位:“像素”显示所有属性
卡方距离之间J维点x和z是
在哪里 重量与尺寸有关吗j。
为每个维度和指定卡方距离权重函数。距离函数必须:
采取作为输入参数n——- - - - - -p输入数据矩阵
X,一行X(例如,x)和一个比例(或重量)参数w。计算距离
x每一行的X。返回一个向量的长度n。每个元素的向量之间的距离观察对应
x和每一行对应的观测X。
w = (0.4;0.6);%为插图设置任意的权重chiSqrDist = @ x, Z, w)√(((x Z) ^ 2) * w);
找到轮廓值使用自定义集群数据距离度量chiSqrDist。
s1 =轮廓(X, clust chiSqrDist w)
s1 =20×10.6288 0.7239 0.6244 0.7696 0.7957 0.6688 0.7386 0.7865 0.7223 0.7572⋮
的重量尺寸设置为1chiSqrDist欧氏距离度量。找到轮廓值和验证他们的值是一样的年代。
w2 = [1;1);s2 =轮廓(X, clust chiSqrDist w2);AreValuesEqual = isequal (s2, s)
AreValuesEqual =逻辑1
轮廓值是相同的年代和s2。
输入参数
输出参数
更多关于
引用
[1]考夫曼L。,P. J. Rousseeuw.发现组织数据:介绍了聚类分析。新泽西州霍博肯:约翰·威利& Sons Inc ., 1990年。
版本历史
之前介绍过的R2006a
