k 表示在矩阵上聚类答案

【问题标题】：k means clustering on matrixk 表示在矩阵上聚类
【发布时间】：2017-11-10 04:18:38
【问题描述】：

我正在尝试使用“kmeans”算法对多维功能对象进行聚类。这是什么意思：所以我不再有每行或每个个体的向量，甚至每个个体都有一个 3x3 观察矩阵。例如：个体 = 1 具有以下观察结果：

(x1, x2, x3),(y1,y2,y3),(z1,z2,z3)。

对于其他个体也给出了相同的观察结构。那么您知道我如何使用包括所有 3 个观察向量的“kmeans”进行聚类——而不仅仅是一个观察向量，它是如何正常用于“kmeans”聚类的？你会为每个观察向量做吗？（x1，x2，x3），分别然后以某种方式将信息组合在一起？我想用 R 中的kmeans() 函数来做到这一点。

非常感谢您的回答！

【问题讨论】：

标签： r multidimensional-array k-means

【解决方案1】：

只需将参数提供给 kmeans() 的所有三列，它就会计算 3 维的距离，如果那是您正在寻找的。p>

【讨论】：

【解决方案2】：

使用 k-means，您可以将每个观测值解释为 N 维向量空间中的一个点。然后你最小化你的观察和聚类中心之间的距离。

由于数据被视为 N 维空间中的点，因此值的实际排列无关紧要。

因此，您可以告诉您的 k-means 例程使用矩阵范数（例如 Frobenius norm）来计算距离。另一种方法是将您的观察结果从 3 x 3 矩阵扁平化为 1 x 9 向量。 NxN 矩阵的 Frobenius 范数等价于 1xN^2 向量的欧几里德范数。

【讨论】：