聚类与weka相互作用的粒子

Question

我遇到了一个可以用这种方式概括的聚类问题：

• 我在3D空间中有N个粒子
• 每个粒子可以与不同数量的其他粒子相互作用
• 每次互动都有力量
• 我不知道先验集群的数量
• 我没有倾斜样本（应该是无人监管的）

输出：我想得到：

• 群集数量
• 每个粒子成为群集一部分的概率（能够移除未明确分配的粒子）
• 我想直接从我的java代码调用clusterer。

问题：

• 什么是clusterer最适合我的问题？
• 我应该如何格式化我的数据？
• 我应该使用3D定位信息作为交互信息的补充吗？
• 我如何得到每个粒子的结果？

我对weka很新，但是我可以在互联网上找到它：

• SOM可以解决我的问题
• 这是一个多实例问题，但我可以找到任何显示如何创建关系数据的示例。并且SOM是否支持关系属性？

感谢您的帮助。 JEANNOT

Answer 1

Weka在集群方面非常“有限”。它只有很少的聚类算法，而且非常有限。我不确定你是否可以在任何Weka聚类算法中加入交互强度。

您可能需要查看ELKI。它具有比Weka更先进的聚类算法，并且非常灵活。例如，您可以轻松定义自己的距离函数（Tutorial）并在任何基于距离的聚类算法中使用它。

我们无法在此处选择合适的聚类算法。您需要尝试一些并尝试不同的参数。您应首先尝试回答的关键问题是：什么是适合您的群集？

您已开始提出其中一些问题。例如，您是仅想使用交互强度，还是仅包含位置信息。但由于我不知道你想要实现什么，我不能告诉你如何。

绝对看看DBSCAN和OPTICS算法（特别是对于OPTICS，不要使用Weka中的算法。它很慢，不完整且无需维护！）。也许开始阅读他们的维基百科文章，如果这对你的任务有任何意义。这就是为什么我认为它们对你有所帮助：

• 他们不需要知道集群的数量（与k-means和EM集群不同）
• 他们需要一个“最小点数”参数，这实际上是一个“最小簇大小”;它控制着结果的精细程度。增加它以获得更少和更大的集群。
• 他们可以使用任意距离或相似度函数（例如，交互强度）。对于DBSCAN，您需要设置一个考虑重要的阈值，对于OPTICS，这不是必需的。

接下来，我可能会将交互强度数据与OPTICS一起使用，并尝试对集群进行Xi提取，如果它们对您的用例有意义的话。 （Weka没有Xi提取）。或者首先查看OPTICS图，看看你的相似性和MinPts参数是否真的产生了OPTICS所需的“山谷”。 DBSCAN更快，但您需要修复距离阈值。如果您的数据集非常大，您可能希望从样本上的OPTICS开始，然后决定几个epsilon值并使用这些值在完整数据集上运行DBSCAN。

不过，请继续阅读此处，看看这对您的任务是否有意义：

https://en.wikipedia.org/wiki/DBSCAN#Basic_idea

Answer 2

如果您的数据是根据WEKA的ARFF文件格式准备的，那么您可以使用WEKA资源管理器的CLUSTER选项卡。这会对您的数据进行聚类（无监督），并为每个群集提供每个功能值的阈值。非无监督学习非常方便。