Beim Clustering von geokodierten Daten ist der Kurs (dh der Fahrwinkel relativ zu 0 ° Nord) häufig eine relevante Variable. Da es sich jedoch um eine kreisförmige Metrik handelt, bei der die Extremwerte der Skala von 0 und 360 Grad tatsächlich genau dieselbe Richtung haben, werden Probleme für klassische Clustering-Algorithmen um diesen Skalenbruchpunkt herum erzeugt. Algorithmen interpretieren benachbarte Überschriften auf beiden Seiten der 0/360-Grad-Marke fälschlicherweise als maximal entfernt, obwohl sie tatsächlich minimal entfernt sind.
Die Art und Weise, wie ich das umgehen kann, besteht darin, Kurswinkel in einen Sinus und einen Cosinus zu zerlegen, deren kombinierte Ausgänge die Messung der Kontinuität für einen vollständigen Zyklus gewährleisten. Dies hat jedoch Nachteile, die ich lieber vermeiden möchte: Es wird eine weitere Variable hinzugefügt, die Clustering benötigt, und meine mathematischen Kenntnisse reichen nicht aus, um sicherzustellen, dass die phasengesteuerten senoidalen Ausgänge von Sinus und Cosinus mit konstanten Raten für geclustert werden alle Winkel (im Gegensatz zum Beispiel um Diagonalen herum zu spitzen, bei denen Sinus und Cosinus mit ähnlichen Raten variieren).
Hier ist meine Frage: Wie wäre es, wenn JMP Winkeldaten angemessen gruppiert, ohne dass zwischengeschaltete Transformationen erforderlich sind?
Vielen Dank!
