k表示在矩阵上聚类

Question

我正在尝试使用＆＃34; kmeans＆＃34;来聚类多维功能对象。算法。它是什么意思：所以我不再拥有每行或每个人的向量，甚至更多每个人的3x3观察矩阵。例如：个人= 1有以下观察：

（x1，x2，x3），（y1，y2，y3），（z1，z2，z3）。

其他个人也有同样的观察结构。所以你知道如何与＆＃34; kmeans＆＃34;包括所有3个观察向量 - 而不仅仅是一个观察向量，它是如何正常用于＆＃34; kmeans＆＃34;集群？ 你会为每个观察向量做到这一点吗？ （x1，x2，x3），分别然后将信息以某种方式组合在一起？我想用R中的kmeans()函数执行此操作。

非常感谢你的回答！

Answer 1

使用k-means将每个观测值解释为N维向量空间中的一个点。然后，最小化观察与聚类中心之间的距离。

由于数据在N-dim空间中被视为点，因此值的实际排列无关紧要。

因此，您可以告诉您的k-means例程使用矩阵范数（例如Frobenius norm）来计算距离。另一种方法是将你的观察从3乘3矩阵平移到1乘9矢量。 NxN矩阵的Frobenius范数相当于1xN ^ 2向量的欧几里德范数。

Answer 2

只需将参数提供给kmeans()所有三列，它就会计算三维距离，如果这就是你要找的东西。