| 查看: 2639 | 回复: 9 | ||
[求助]
kmeans聚类的问题请教！ 已有2人参与
|
| 每类训练样本约200多不等，如果只选用其中的两类进行kmeans自动聚类，准确率会相对的高。但是如果把所有的18类样本进行自动聚类。正确率不到3%。 难道样本类型越多，每类所需要的样本个数越多码？ |
回复此楼» 猜你喜欢
如果此刻你正在为国基感到焦虑，不妨来听听这首《基金之外》
已经有3人回复
-
今日不放榜？网传国自然预计 8 月 27 日可查结果
已经有21人回复
-
能否退出参与的面上项目解除限项
已经有17人回复
-
估计是周四
已经有4人回复
-
我面上完蛋了
已经有9人回复
-
2026国自然函评费到账
已经有18人回复
-
建议基金发布提前给出明确的时间点
已经有15人回复
-
范进中举一文的中心思想
已经有7人回复
-
朋友圈看到的
已经有9人回复
-
让我中一个面上吧！
已经有16人回复
» 本主题相关价值贴推荐，对您同样有帮助:
- 请教一个聚类的问题
已经有32人回复
- 土地利用的栅格影像如何进行空间聚类
已经有5人回复
- K均值聚类matlab算法完善版
已经有321人回复
- 请教各位，聚类分析图和系统发生树有什么区别？
已经有5人回复
- 【求助】kmeans函数错误：Empty cluster created at iteration 1
已经有7人回复
youth0826
至尊木虫 (著名写手)
weibo.com/138147022
- 应助: 172 (高中生)
- 金币: 10458.4
- 散金: 145
- 红花: 4
- 帖子: 1726
- 在线: 149.4小时
- 虫号: 707170
- 注册: 2009-02-23
- 专业: 模式识别
2楼2014-01-09 07:08:41
3楼2014-01-09 08:02:00
fhjianke
金虫 (初入文坛)
- 应助: 6 (幼儿园)
- 金币: 7828.5
- 帖子: 36
- 在线: 219.7小时
- 虫号: 549512
- 注册: 2008-04-21
- 专业: 通信与信息系统/视频编码
4楼2014-01-09 10:23:29
5楼2014-01-09 11:10:34
摘星者
铁杆木虫 (正式写手)
- 应助: 27 (小学生)
- 金币: 8207.2
- 散金: 50
- 红花: 4
- 帖子: 397
- 在线: 506.3小时
- 虫号: 494941
- 注册: 2008-01-14
- 专业: 人工智能与知识工程
【答案】应助回帖
★ ★ ★ ★ ★
感谢参与，应助指数 +1
xmcrobbie: 金币+5, ★★★★★最佳答案 2014-01-09 16:57:13
感谢参与，应助指数 +1
xmcrobbie: 金币+5, ★★★★★最佳答案 2014-01-09 16:57:13
|
首先，k-means(KM)确实有准确率的说法，这是一种外部指标。所谓的无监督不过是指在聚类过程中没用使用到标签之类的信息而已。 然后是楼主的问题。我没有看过你使用的是什么样子的数据集。但是把所有的18类样本进行自动聚类正确率下降并不奇怪。你说的自动聚类是指不指定聚类数吗？要算法自己找到合适的聚类数并不容易。即便指定聚类数，类别多了正确率也容易下降。 KM只适用于每类样本在空间中分布呈超球体且超球中心间的距离明显大于超球半径的情况。当这些条件不满足的时候，很容易出现错分。楼主仅仅选择两类样本，这些样本在空间中的分布比较容易满足KM的要求，故准确率较高。18类样本放在一起，相互影响之下准确率自然就低了。 Liu Y, Li Z, Xiong H, et al. Understanding of internal clustering validation measures[C]//Data Mining (ICDM), 2010 IEEE 10th International Conference on. IEEE, 2010: 911-916. 还有一篇类似的论文在IEEE trans. 上，楼主不妨看看，也许对你了解这个问题有帮助。 |
6楼2014-01-09 14:39:09
7楼2014-01-09 16:56:20
fhjianke
金虫 (初入文坛)
- 应助: 6 (幼儿园)
- 金币: 7828.5
- 帖子: 36
- 在线: 219.7小时
- 虫号: 549512
- 注册: 2008-04-21
- 专业: 通信与信息系统/视频编码
8楼2014-01-10 13:45:11
9楼2016-03-15 10:54:11
摘星者
铁杆木虫 (正式写手)
- 应助: 27 (小学生)
- 金币: 8207.2
- 散金: 50
- 红花: 4
- 帖子: 397
- 在线: 506.3小时
- 虫号: 494941
- 注册: 2008-01-14
- 专业: 人工智能与知识工程
|
首先是归一化的问题。归一化是因为各个属性的取值区间大小不一致，而km算法是基于距离的聚类方法。因此，在不为属性添加权值的情况下，如果有个别属性的区间跨度明显大于其它属性，那么这些属性将成为距离的主要因素，导致其它属性被忽略。归一化使所有属性能公平地比较，所以聚类前进行归一化是有理由的。归一化有可能能使得聚类算法得到更好的效果，但不是绝对的。结合km的适用情况，如果在归一化前样本的分布呈超球体，归一化后可能就会变成一个椭球体，聚类效果就可能变差。反过来，归一化前呈椭球体分布，归一化后有可能变成超球体，聚类效果就可能变好。因此，不能一概而论。 主成分分析的问题。这是一种降维方法，被提取的主成分是样本分布差异大的方向。主成分分析法不是必须的，一般会在需要降维的时候使用。虽然主成分分析法的降维效果相当出色，但也有很明显的不足。通过主成分分析获取的新属性会失去原有的现实意义，也就是说，属性的可解释性会降低。如果在你的应用中属性的可解释性是重要的，为属性添加权值，即子空间聚类，是一个可以考虑的选择。无论选择哪一种方法，都能一定程度上去除冗余、不相关属性对聚类的影响，有可能提高聚类效果。但是，这是从排除干扰的角度上得到的结论，虽然这两种方法都有提高聚类效果的研究成果，并没有严格证明这种提升是绝对的，至少我没有看到这样的推导。 只要数据集是通过数据矩阵的方式给出，即给出各样本在各个属性上的值，就可以使用km算法。然而，要取得好的聚类效果，最理想的状态是各类样本分布呈超球体，且两个超球体相互远离（球心距离大于两个超球体中半径较大一个的半径的两倍）。这是因为，km算法对样本进行划分时实际上是对样本空间进行分割，分割面通过聚类中心连心线中点且与连心线垂直。显然，对于两个聚类中心间的样本空间而言，这种分割是均匀的。在上述的分布下，各类样本不会跨越分割面导致误分。当然，这不是不导致误分的必要条件。只要各类样本相隔足够远，分布不是超球体也是可以的。 |
10楼2016-03-16 22:32:45
