理解K-means聚类中的一些术语

我需要编写一个程序来实现给定数据集的kmeans聚类(我大致了解kmeans算法的工作原理)。为了使我的程序更加通用,我想了解以下术语:

对于一个具有100行和10列的数据集(假设每列是一个特征),我如何识别以下参数:

  1. 维度:我如何知道这个数据集的维度?
  2. 数据点:每个单元格[row][col]是一个数据点,还是整行是一个数据点(点的向量)?

回答:

你需要从计算几何的角度来看待你的数据集,其中数据集的每个元素都是D维空间中的一个点。

我猜你的数据集看起来像这样:

row0.col0 row0.col1 ... row0.col9...row99.col0 row99.col1 ... row99.col9

的角度来看,我会将这个数据集解释为10维空间中的100个点。


维度

维度是列数,所以是10。从数学的角度来看,每列都是一个坐标!;)

数据点

每一都是一个数据点!每一个单元格都是这个点的坐标!


例如,查看我的最小示例,你会看到我创建了10000000个点(在你的情况下是行),在64维(在你的情况下是列)。

Related Posts

Keras Dense层输入未被展平

这是我的测试代码: from keras import…

无法将分类变量输入随机森林

我有10个分类变量和3个数值变量。我在分割后直接将它们…

如何在Keras中对每个输出应用Sigmoid函数?

这是我代码的一部分。 model = Sequenti…

如何选择类概率的最佳阈值?

我的神经网络输出是一个用于多标签分类的预测类概率表: …

在Keras中使用深度学习得到不同的结果

我按照一个教程使用Keras中的深度神经网络进行文本分…

‘MatMul’操作的输入’b’类型为float32,与参数’a’的类型float64不匹配

我写了一个简单的TensorFlow代码,但不断遇到T…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注