聚类和matlab

Question

我正在尝试从KDD 1999杯数据集中收集一些数据

文件的输出如下所示：

0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,19,19,1.00,0.00,0.05,0.00,0.00,0.00,0.00,0.00,normal.

以该格式提供48,000种不同的记录。我已经清理了数据并删除了仅保留数字的文本。输出现在看起来像这样：

我在excel中创建了一个逗号分隔文件，并保存为csv文件，然后在matlab中从csv文件创建了一个数据源，我尝试通过matlab中的fcm工具箱运行它（findcluster输出38个数据类型，预计有38个列）。

然而，群集看起来不像群集，或者它不接受并按我需要的方式工作。

有人可以帮助找到群集吗？我是matlab的新手，所以没有任何经验，我也是新的聚类。

方法：

1. 选择群集数量（K）
2. 初始化质心（从数据集中随机选择的K个模式）
3. 将每个模式分配给具有最接近质心的群集
4. 计算每个群集作为其新质心的平均值
5. 重复步骤3，直到满足停止条件（没有模式移动到另一个群集）

这就是我想要实现的目标：



这就是我得到的：



load kddcup1.dat
plot(kddcup1(:,1),kddcup1(:,2),'o')  
[center,U,objFcn] = fcm(kddcup1,2);
Iteration count = 1, obj. fcn = 253224062681230720.000000
Iteration count = 2, obj. fcn = 241493132059137410.000000
Iteration count = 3, obj. fcn = 241484544542298110.000000
Iteration count = 4, obj. fcn = 241439204971005280.000000
Iteration count = 5, obj. fcn = 241090628742523840.000000
Iteration count = 6, obj. fcn = 239363408546874750.000000
Iteration count = 7, obj. fcn = 238580863900727680.000000
Iteration count = 8, obj. fcn = 238346826370420990.000000
Iteration count = 9, obj. fcn = 237617756429912510.000000
Iteration count = 10, obj. fcn = 226364785036628320.000000
Iteration count = 11, obj. fcn = 94590774984961184.000000
Iteration count = 12, obj. fcn = 2220521449216102.500000
Iteration count = 13, obj. fcn = 2220521273191876.200000
Iteration count = 14, obj. fcn = 2220521273191876.700000
Iteration count = 15, obj. fcn = 2220521273191876.700000

figure
plot(objFcn)
title('Objective Function Values')
xlabel('Iteration Count')
ylabel('Objective Function Value')

    maxU = max(U);
    index1 = find(U(1, :) == maxU);
    index2 = find(U(2, :) == maxU);
    figure
    line(kddcup1(index1, 1), kddcup1(index1, 2), 'linestyle',...
    'none','marker', 'o','color','g');
    line(kddcup1(index2,1),kddcup1(index2,2),'linestyle',...
    'none','marker', 'x','color','r');
    hold on
    plot(center(1,1),center(1,2),'ko','markersize',15,'LineWidth',2)
    plot(center(2,1),center(2,2),'kx','markersize',15,'LineWidth',2)

Answer 1

由于您不熟悉机器学习/数据挖掘，因此不应该解决这些高级问题。毕竟，你正在使用的数据被用于比赛（KDD Cup'99），所以不要指望它很容易！

此外，数据用于分类任务（监督学习），其中目标是预测正确的类（错误/良好连接）。您似乎对聚类（无监督学习）感兴趣，这通常更难。

这种数据集需要大量的预处理和巧妙的特征提取。人们通常使用领域知识（网络入侵检测）来从原始数据中获得更好的特征。直接应用像K-means这样的简单算法通常会产生不良结果。

对于初学者，您需要将属性规范化为相同比例：在方法中作为步骤3的一部分计算欧氏距离时，具有239和486等值的要素将使用小值0.05支配其他功能，从而破坏结果。

要记住的另一点是，太多的属性可能是一件坏事（维数的诅咒）。因此，您应该研究特征选择或降维技术。

最后，我建议您熟悉一个更简单的数据集...