"NeighborhoodContraction" （机器学习方法）

Details & Suboptions

  • "NeighborhoodContraction" 是一种基于邻域的聚类方法. "NeighborhoodContraction" 适用于任意形状和大小的聚类，但是，当聚类密度不同或相互交织时，它可能会失效.
  • 下图展示了将 "NeighborhoodContraction" 方法应用于玩具数据集的结果：
  • "NeighborhoodContraction" 方法通过迭代将数据点向更高密度区域移动. 在此过程中，数据点倾向于收敛到不同的固定点，每个固定点代表一个聚类.
  • 形式上，在每一步中，每个数据点 被设置为其邻近点 的平均值，.
  • 邻近点 被定义为半径为 ϵ 的球体内的所有点. 算法重复进行更新，直到点不再移动；属于一个聚类的所有点随后都会收缩到一起（在一定容差范围内）. 这个算法等同于 "MeanShift" 方法，但使用了不同的邻域定义.
  • 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 "NeighborhoodContraction" 聚类方法找到附近值的聚类：

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

按元素的类别编号收集元素：

在二维正态分布的混合上训练 ClassifierFunction：

找到聚类分配并对其进行可视化：

选项  (3)

DistanceFunction  (2)

生成 200 种随机颜色的列表：

通过指定 DistanceFunction 选项查找聚类：

根据二维正态分布的混合生成点：

通过指定不同的 DistanceFunction 选项来查找不同的聚类结构：

"NeighborhoodRadius"  (1)

根据二维正态分布的混合生成点：

通过指定不同的 "NeighborhoodRadius" 子选项来找到不同的聚类结构：