cluster-analysis - 光学可达性图

标签 cluster-analysis data-mining optics-algorithm

我似乎无法想象 OPTICS 的可达性图中物体的可达距离是如何排列的。那么可达性图中的“山谷”是如何形成的呢?原论文中说可视化与数据集的维度无关。它还说明了水平轴上的簇顺序和垂直轴上的 epsilon。他们如何安排可达距离以形成山谷?对象集及其相应的可达距离?

最佳答案

OPTICS 按特定顺序处理元素。此顺序用于 X 轴。

ELKI包括 OPTICS 的工作实现,它还将使用可达性图可视化集群顺序。

This image on Wikimedia (遗憾的是尚未在英文 OPTICS 文章中使用)是使用 ELKI 生成的,除了将簇映射到山谷的三条彩色虚线之外。

关于cluster-analysis - 光学可达性图,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22911937/

相关文章:

java - 无法从 w3c 加载 java 类

machine-learning - 验证聚类算法的输出

machine-learning - ELKI OPTICS 预先计算的距离矩阵

OPTICS(聚类)算法的 Python 实现

python - Python scipy/numpy 中相关性的层次聚类?

cluster-analysis - Doc2Vec 使用 kmeans 对新文档进行聚类

nlp - tf-idf(三角不等式)的余弦相似度替代方案

machine-learning - 自动学习集群

python - 根据意思比较句子