应用错误收集

声明：在2D空间中，一组点属于同一个集群，如果（并且仅限于）两个点他们对OX的预测是聚集的，他们对OY的预测是聚集的。

在OX上，A，B，C，D的投影聚集在一起;在OY上，A，B，C，E的投影聚集在一起; 总的来说，A，B和C是聚集的。

确定在一维空间上聚集哪些点：

让我们在实轴上展开一些点。直觉上，有两点属于如果他们被一个小距离隔开，那就是同一个集群。如果他们分开了通过“大距离”，它们属于不同的群集。现在我们必须确定是什么一个＆＃39;大距离＆＃39; 以及什么是＆＃39;小距离＆＃39; 。

让我们对所有距离进行排序，并寻找阈值。 对于OX坐标为[0,1,3,4,14,15,16,19,29,30,31]的点集，距离连续点之间将是[1,2,1,10,1,1,3,10,1,1]。排序时，同一组距离，看起来像[1,1,1,1,1,1,2,3,10,10]。有一个3到10之间的阈值，所以我们将表示所有距离＆lt; = 3为＆＃39;小距离＆＃39;以及所有其他距离＆＃39;距离很远＆＃39;。

我们如何选择阈值？通过区分两个相邻元素。在我们的例如，10-3 = 7是大的差异。

如果有多个相等值的阈值，请选择最右边的;选择最合适的阈值会导致距离很远，否则，许多距离将被认为是大的，因此，将有许多群集。但这取决于您的业务需求。您可以将30个位置分组为10个位置中的3个群集，或者每组3个地点的10个集群。

如果排序的距离类似于[2,4,6,8,10]（没有阈值候选者），那么选择一些百分位数喜欢75％的人：前四分之一将是“大距离”，其他所有人 - “小距离”＆＃39;

根据他们对OX的预测将点分组成集群：

现在我们知道如何聚类实数，让我们对点进行OX投影，然后将它们聚类。

让我们有以下几点，以及它们的OX坐标： P1（101），P2（12），P3（201），P4（13），P5（202），P6（11），P7（102）;

相同点，按其OX坐标排序： P6（11），P2（12），P4（13），P1（101），P7（102），P3（201），P5（202）;

接下来，我们将通过OY预测进行另一次分组。

观察1 ：当点的索引被排序时，OX预测不是;当我们对OX投影进行排序时，现在索引不会被排序。

观察2 ：在使用OX投影进行聚类时，我们不应期望获得相同的当我们使用OY投影聚类时的聚类。实际上，我们将交叉获得的结果。聚类结果不同，因为点的OY坐标完全独立于其OX坐标。因此，在OY轴上有一组完全不同的值。

确定实际的群集：

我们之前已经对OX和OY投影进行了一些聚类，获得了不同分组的相同点。现在我们将交叉这些聚类，寻找共同点。

回到我们的第一张照片，在OX给出（A，B，C，D）聚类后聚类，在OY之后得到（A，B，C，E），这些集合的交集将是（A，B，C） - 最终的集群。但这是一个简单的例子。

一般策略是在OX上进行聚类的carthesian产品，在OY上获得聚类。对于carthesian产品的每个这样的元素，我们将与OX集群中的元素相交，并与OY集群上的元素相交。如果我们在OX上有3个集群，在OY上有4个集群，那么这个carthesian产品将有12个元素。我们选择其中一个。它是一对两个簇A和B：A是OX上的簇，B是OY上的簇。如果A和B有一些共同点，那么这些点确实是一个集群。

在上面的例子中，从7点开始，我们只获得了一个集群。不太令人印象但我们可以进一步加入邻居集群。我们不要忘记橙色片段代表的是小距离＆＃39;，而黑色片段代表“大距离”＃。在上图中，来自＆＃39;群集＆＃39; P1到集群 P5或P3 + P7，只有一个“大距离”＃。从群集P3 + P7到群集P4，有两个大距离加一小段距离。

免责声明：此程序将世界地图视为矩形（经线是永不相交的平行线）。而且，它们看起来相距很远，而不是将1度和179度的经线视为彼此接近。（它们之间的距离是178度，而不是2度）但是，这不是一个问题，因为大多数时候，交付行为具有区域性，或者至多是国家级。只要您的国家没有经过180经络，您就可以了。

基于纬度/经度的物流路径和离散算法

1 个答案: