本例使用“Mushroom”数据集［3］［4］［5］［6］［7]来自UCI机器学习档案［7]详情见http://archive.ics.uci.edu/ml/datasets/Mushroom。该数据集包括对各种蘑菇的8124次观察的22个预测因子。预测器是分类数据类型。例如，帽子形状被归类为特征“b”用于钟形帽和“c”为锥形。蘑菇的颜色也有不同的特点“n”布朗,“p”为粉红色。数据集还包括可食用蘑菇和有毒蘑菇的分类。

由于蘑菇数据集的特征是分类的，无法定义多个数据点的均值，因此被广泛使用k-表示聚类算法不能有意义地应用于该数据集。k-medoids是一种相关的算法，它将数据划分为k通过寻找最小化数据点和最近的medoid之间的不同和的medoid的不同聚类。

一个集合的medoid是该集合中与其他集合成员的平均不相似度最小的成员。相似度可以定义为许多类型的数据，不允许一个平均值被计算，允许k-美多酮用于更广泛的问题k则。

使用k-medoids，这个例子将蘑菇分组为两组，基于提供的预测因子。然后探讨这些簇和蘑菇的可食用或有毒分类之间的关系。

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/)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。

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

显示前5个蘑菇及其前几个特征。

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，可食用和有毒组的标签数据。然后删除该列。

标签=数据(:1);=分类标签(标签{:,:});数据(:1)= [];

存储预测器(特性)的名称，在http://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/agaricus-lepiota.names中进行了描述。

VarNames = {“帽形”“cap_surface”“cap_color”“淤青”“气味”...“gill_attachment”“gill_spacing”“鳃大小”“gill_color”...“stalk_shape”“stalk_root”“stalk_surface_above_ring”...“stalk_surface_below_ring”“stalk_color_above_ring”...“环下方的柄颜色”“veil_type”“veil_color”“ring_number”...．“ring_type”“孢子打印颜色”“人口”“栖息地”}；

设置变量名。

data.Properties.VariableNames=VarNames；

总共有2480个缺失值表示为'?'．

sum (char(数据{:,:})= ='?'）

ans = 2480

根据对数据集的检查及其描述，缺失值仅属于第11个变量(stalk_root)．从表中删除该列。

数据(:11)= [];

kmedoids只接受数字数据。您需要将类别转换为数字类型。用于定义数据不同的距离函数将基于分类数据的双重表示。

猫=分类(数据{:,:});data =双(猫);

kmedoids可以使用pdist2支持的任何距离度量进行集群。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。两个向量之间的汉明距离是向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，第三和第四坐标相等。因为四个坐标中有一个不同，这两个向量之间的汉明距离是。25。

你可以使用这个函数pdist2测量第一行和第二行数据之间的汉明距离，即蘑菇数据的数字表示。2857意味着这种蘑菇的21种特征中有6种是不同的。

: pdist2(数据(1),数据(2:)“汉明”）

ans = 0.2857

在本例中，您根据特征将蘑菇数据分为两个集群，以查看集群是否对应于可食性。这个kmedoids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。将问题聚类几次是一个好主意“复制”参数。当“复制”设置为一个值，n，则运行k-medoids算法n时间，最好的结果是返回。

运行kmedoids要根据Hamming距离将数据集群为2个集群，并返回3个复制的最佳结果，运行以下命令。

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

让我们假设预测中的第一组蘑菇是有毒的，而第二组蘑菇都是可食用的。为了确定聚类结果的性能，根据已知的标签，计算第1组中有多少蘑菇是有毒的，第2组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正和真负的数量。非对角元素分别表示假阴性和假阳性。为了方便，请使用confusionmat函数，该函数计算给定已知标签和预测标签的混淆矩阵。的预测标签信息IDX变量IDX每个数据点的值为1和2，分别代表有毒和可食用组。

predLabels =标签;%初始化预测标签的向量。predLabels (IDX = = 1) =分类({“p”});%指定组1为有毒的。predLabels（IDX==2）=分类({“e”});%指定第2组为可食用。predLabels confMatrix = confusionmat(标签)

confMatrix = 4176 32 816 3100

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

给定这个混淆矩阵，计算准确性，即真实结果(真阳性和真阴性)与总体数据的比例，以及精度，即真实阳性与所有阳性结果(真阳性和假阳性)的比例。

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

精度= 0.8956

= 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可以得到与可食性相关的聚类。