"MeanShift" （机器学习方法）

Details & Suboptions

  • "MeanShift" 是一种基于密度的聚类方法，其中使用基于邻域的方法来估计密度. "MeanShift" 适用于任意形状和大小的聚类；但是，当聚类具有不同的密度或相互交织时，它可能会失败.
  • 下图展示了将 "MeanShift" 方法应用于玩具数据集的结果：
  • "MeanShift" 方法以迭代方式将数据点移向更高密度的区域. 在此过程中，数据点往往会收缩到不同的固定点，每个固定点都代表一个聚类.
  • 形式上，在每一步中，每个数据点 被设置为 ，其中 ， 定义了一个有效的邻域半径. 的差被称为均值偏移. 算法重复均值偏移更新，直到点停止移动；然后将属于一个聚类的所有点折叠（在一定容差范围内）. 这个算法等同于 "NeighborhoodContraction" 方法，但使用了不同的邻域定义.
  • 选项 DistanceFunction 可用于定义要使用的距离.
  • 可以给出以下子选项：
  • "NeighborhoodRadius" Automatic半径 ϵ

范例

打开所有单元关闭所有单元

基本范例  (3)

使用 "MeanShift" 聚类方法找到附近值的聚类：

使用 "MeanShift" 方法在颜色列表上训练 ClassifierFunction：

根据类别编号收集元素：

在字符串列表上训练 ClassifierFunction：

找到聚类分配，并按聚类对数据点进行分组：

选项  (3)

DistanceFunction  (1)

使用曼哈顿距离对数据进行聚类：

"NeighborhoodRadius"  (2)

通过指定 "NeighborhoodRadius" 子选项查找聚类：

生成 100 种随机颜色的列表：

使用 "MeanShift" 方法对颜色进行聚类：

尝试不同的 "NeighborhoodRadius" 子选项来对颜色进行聚类：