最近看了很多斯坦福的爆笑Open Classroom's视频讲座。特别是关于无监督机器学习的部分引起了我的注意。不幸的是，它停止了，因为它可能会变得更有趣。
基本上，我希望通过无监督算法对离散矩阵进行分类。这些矩阵仅包含相同范围的离散值。假设我有 1000 个 20x15 矩阵，其值范围为 1-3。我刚刚开始阅读文献，我觉得图像分类要复杂得多(颜色直方图)，而我的案例只是对那里所做的事情的简化。
我还查看了Machine Learning和 Cluster Cran Task Views 但不知道从哪里开始举一个实际的例子。
所以我的问题是:哪个包/算法是开始尝试和解决 R 中的问题的好选择？
编辑: 我意识到我可能不精确:我的矩阵包含离散选择数据 - 所以平均聚类可能(!)不是正确的想法。我确实理解你所说的关于向量和观察的内容，但我希望有一些接受矩阵或 data.frames 的函数，因为随着时间的推移我有一些观察。
编辑2: 我意识到专注于分类数据的无监督分类的包/函数、介绍是现在对我最有帮助的。
最佳答案
... classify discrete matrices by an unsupervised algorithm
您的意思一定是对它们进行聚类。分类通常由监督算法完成。
I feel that image classification is way more complex (color histograms) and that my case is rather a simplification of what is done there
如果不知道矩阵代表什么，就很难判断您需要哪种算法。但起点可能是展平 20*15 矩阵以生成长度为 300 的向量；这样的向量的每个元素将是一个作为聚类基础的特征(或变量)。这是 ML 包(包括您链接到的 Cluster 包)必须工作的方式:“在矩阵或数据框的情况下，每一行对应一个观察，并且
每列对应一个变量。”
关于r - R 中的无监督学习？矩阵分类 - 什么是正确的包？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/7922515/