K는 고정된 중심을 의미합니다.안녕하세요, 데이터 세트에 대한 k 평균을 계산하지만 일부 센터가 미리 정의되어 있는 방법이 있습니까?즉, 다음과 같은 임의의 데이터가 있고 k=3개의 중심을 찾고 싶지만 중심 중 2개는 이미 주어진 위치에 고정되어 있습니다.JMP 14.2.0에 해당 기능이 있습니까?감사해요!
포인트들:
| 상표 | 엑스 | 와이 |
| 포인트1 | 삼 | 삼 |
| 포인트2 | 4 | 4 |
| 포인트3 | 6 | 6 |
| 포인트4 | 50 | 30 |
| Point5 | 60 | 60 |
| Point6 | 70 | 90 |
| Point7 | 90 | 90 |
| Point8 | 99 | 99 |
| 포인트9 | 101 | 101 |
| 포인트10 | 102 | 102 |
이 두 센터가 이미 정의된 경우 세 번째 클러스터를 찾습니다.
점을 분석하는 일반 출력은 잘 작동하고 3개의 클러스터를 최적화하지만 원하는 고정 클러스터를 고려하지 않습니다.
소비자 및 시장 조사답: K는 고정된 중심을 의미합니다.안녕 @AvgRegression52 ,
이 방법이 당신에게 효과가 있는 것 같아 기쁘네요! 예, 처음 두 개의 중심 위치를 제어하기 위해 주파수/가중치가 조작되므로 마지막 세 번째 중심 위치가 이 변경의 영향을 받을 수 있습니다.
문제 없습니다. 방해가 되고 싶지 않았습니다. 이제 왜 2개의 중심을 유지하려고 했는지 더 잘 이해하게 되었습니다. 이는 반복적인 K-평균 클러스터링(또는 제약 조건이 있는 K-평균 클러스터링)처럼 들립니다. 덕분에 새로운 관찰을 클러스터링할 수 있습니다. 이미 존재하는 클러스터(예: 이전 분석에서 나온 클러스터)와 새로 생성된 클러스터(필요한 경우). 이미 StackOverflow에서 비슷한 질문을 본 적이 있어서 문맥이 좀 궁금했습니다.
설명해주셔서 감사합니다!
모두 제일 좋다,답: K는 고정된 중심을 의미합니다.감사해요 @Victor_G , 그 증가된 빈도는 내 사용 사례에 적합한 것 같습니다!실제 데이터는 샘플만큼 클러스터에 대해 명확하지 않기 때문에 조작된 세 번째 클러스터 위치에서 취한 점입니다.
죄송합니다. 실제 데이터나 구체적인 세부정보를 공유할 수는 없지만 주요 데이터는 고객 지원 네트워크에 중점을 두고 있습니다.우리는 현재 로스앤젤레스와 같은 특정 도시에 여러 시설을 보유하고 있으며 모든 서비스 지점과 가까운 곳에 위치하기를 원합니다.그러나 우리는 현재 이미 2개 위치에서 부동산을 소유하고 있으며 3번째 위치를 조사 중이므로 몇 가지 다른 시나리오가 있습니다.
1) 현재 속성을 모두 포기한 경우 새 속성 3개를 모두 어디에 재배치합니까(k-는 이것이 괜찮다는 것을 의미합니다)?
2) 기존 2개 입지를 유지한다면, 3차 부동산의 이상적인 입지는 어디일까요?
3) 이상적인 위치에서 부동산을 이용할 수 없는 경우 판매할 토지는 어디이며 예시 2와 비교하여 이 위치는 얼마나 "덜 이상적"입니까?
답: K는 고정된 중심을 의미합니다.안녕 @AvgRegression52 ,
귀하의 아이디어는 이미 다양한 클러스터/그룹에 대한 선험적 정보를 갖고 있는 것 같기 때문에 K-Means와 같은 비지도 알고리즘에 대해서는 직관에 반하는 것 같습니다.궁금해서 K-Means 알고리즘으로 찾은 중심 위치를 변경하는 이유는 무엇입니까?
예상한 결과를 얻는 해결 방법이 있을 수 있습니다.
- 데이터 테이블에서 두 개의 중심에 대해 원하는 X 및 Y 값(예: [5,5] 및 [100,100])을 사용하여 두 개의 새 행("Centroid1" 및 "Centroid 2")을 만듭니다.
- 그런 다음 이전 관측값이 모두 낮은 값(예: 1 이하)이고 새로 추가된 2개의 "centroïds" 행에 매우 큰 값(예: 1000000 이상)이 있는 숫자 열 "가중치"를 만듭니다. .
- 그런 다음 K-Means 분석 플랫폼을 시작할 때 X와 Y를 "Y, 열"로 사용하고 "Freq" 또는 "Weight"의 새 열 "Weight"를 사용하여 중심 위치를 바이어스합니다. 3개의 클러스터(또는 원하는 숫자)로 K-평균을 시작합니다.
이렇게 하면 새로 추가된 두 행이 테이블의 다른 행보다 "인위적으로" 더 많은 빈도(또는 중요도)를 갖게 되며 클러스터 중심 중 두 개는 이들 좌표에 최대한 가깝게 편향됩니다. 두 개의 중심 행 좌표("Biased_K-Means" 캡처 참조)
마지막 클러스터 중심 위치가 이 프로세스의 영향을 받을 수 있으므로 이 해결 방법을 각별히 주의해서 사용하십시오. 이는 차원의 점 분포에 따라 다릅니다. 예에서는 세 개의 클러스터가 잘 정의되고 멀리 떨어져 있으므로 더 많이 추가합니다. 두 개의 새로운 "중심" 좌표 값(X 및 Y 분포의 극단에 있음)에 대한 빈도/가중치는 세 번째 클러스터 중심의 위치("중간")에 영향을 주지 않습니다.
데이터 테이블 샘플에는 "편향된" K-Means 스크립트도 첨부되어 있습니다.
이 해결 방법이 도움이 되기를 바랍니다.
