cluster
연결로부터 병합 군집 생성
설명
T = cluster(Z,Cutoff=cutoff)Z로부터 군집을 정의합니다. 입력값 Z는 입력 데이터 행렬 X에 대한 linkage 함수의 출력값입니다. cluster는 Z를 군집으로 절단하며, 이때 cutoff를 트리 노드의 불일치 계수(즉, inconsistent 값)에 대한 분계점으로 사용합니다. 출력값 T에는 각 관측값(X의 행)의 군집 할당이 포함됩니다.
T = cluster(___,Name=Value)cluster(Z,MaxClust=5,Depth=3)을 지정하면 각 노드 아래 깊이 3까지의 거리 값을 계산하여 최대 5개의 군집을 찾을 수 있습니다.
예제
각 노드 아래 깊이 4까지의 불일치 값을 계산하여 무작위로 생성된 데이터에 대해 병합 군집화를 수행합니다.
표본 데이터를 무작위로 생성합니다.
rng(0,"twister"); % For reproducibility X = [(randn(20,2)*0.75)+1; (randn(20,2)*0.25)-1];
데이터에 대한 산점도 플롯을 생성합니다.
scatter(X(:,1),X(:,2));
title("Randomly Generated Data");
ward 연결 방법을 사용하여 계층적 군집 트리를 생성합니다.
Z = linkage(X,"ward");데이터에 대한 덴드로그램 플롯을 생성합니다.
dendrogram(Z)
산점도 플롯과 덴드로그램 플롯에서는 데이터에 2개의 군집이 있는 것으로 나타납니다.
불일치 계수에 분계점 3을 사용하여 각 노드 아래 깊이 4까지의 데이터를 군집화합니다. 결과 군집을 플로팅합니다.
T = cluster(Z,Cutoff=3,Depth=4); gscatter(X(:,1),X(:,2),T)
cluster는 데이터에서 2개의 군집을 식별합니다.
"distance"를 군집을 정의하는 기준으로 사용하여 fisheriris 데이터 세트에 대해 병합 군집화를 수행합니다. 데이터의 군집 할당을 시각화합니다.
fisheriris 데이터 세트를 불러옵니다.
load fisheriris종을 그룹화 변수로 사용하여 데이터를 2차원 산점도 플롯으로 시각화합니다. 3개의 서로 다른 종에 대해 마커 색과 마커 기호를 지정합니다.
gscatter(meas(:,1),meas(:,2),species,"rgb","do*") title("Actual Clusters of Fisher's Iris Data")
"average" 방법과 "chebychev" 측정법을 사용하여 계층적 군집 트리를 생성합니다.
Z = linkage(meas,"average","chebychev");
"distance" 기준에 대해 분계점 1.5를 사용하여 데이터를 군집화합니다.
T = cluster(Z,Cutoff=1.5,Criterion="distance")T = 150×1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
⋮
T에 군집 할당에 대응하는 숫자가 포함됩니다. cluster가 식별하는 클래스의 개수를 구합니다.
length(unique(T))
ans = 3
cluster는 cutoff 및 Criterion에 지정된 값에 대해 3개의 클래스를 식별합니다.
T를 그룹화 변수로 사용하여 군집화 결과를 2차원 산점도 플롯으로 시각화합니다. 3개의 서로 다른 클래스에 대해 마커 색과 마커 기호를 지정합니다.
gscatter(meas(:,1),meas(:,2),T,"rgb","do*") title("Cluster Assignments of Fisher's Iris Data")
군집화는 setosa 클래스(클래스 2)를 고유한 군집에 속하는 것으로 올바르게 식별하지만 versicolor 클래스와 virginica 클래스(각각 클래스 1 및 3)는 잘 구별하지 못합니다. 참고로, 산점도 플롯은 T에 포함된 숫자를 사용하여 클래스 레이블을 지정합니다.
fisheriris 데이터 세트에서 최대 세 개의 군집을 찾고 꽃의 군집 할당을 알려진 분류와 비교합니다.
표본 데이터를 불러옵니다.
load fisheriris"average" 방법과 "chebychev" 측정법을 사용하여 계층적 군집 트리를 생성합니다.
Z = linkage(meas,"average","chebychev");
데이터에서 최대 세 개의 군집을 찾습니다.
T = cluster(Z,MaxClust=3);
Z에 대한 덴드로그램 플롯을 생성합니다. 3개의 군집을 표시하기 위해 마지막에서 세 번째 연결과 마지막에서 두 번째 연결 간의 중간 절단을 ColorThreshold로 사용합니다.
cutoff = median([Z(end-2,3) Z(end-1,3)]); dendrogram(Z,ColorThreshold=cutoff,ShowCut=true)
Z의 마지막 두 행을 표시하여 세 개의 군집이 어떻게 하나로 결합되었는지를 확인합니다. linkage는 연결 값으로 1.7583을 사용하여 293번째(주황색) 군집을 297번째(파란색) 군집과 결합하여 298번째 군집을 형성합니다. 그런 다음 linkage는 296번째(빨간색) 군집과 298번째 군집을 결합합니다.
lastTwo = Z(end-1:end,:)
lastTwo = 2×3
293.0000 297.0000 1.7583
296.0000 298.0000 3.4445
군집 할당은 세 가지 종에 대응됩니다. 예를 들면, 군집 중 하나에 두 번째 종의 꽃은 50송이, 세 번째 종의 꽃은 40송이가 포함되어 있습니다.
crosstab(T,species)
ans = 3×3
0 0 10
0 50 40
50 0 0
20,000개의 관측값을 갖는 표본 데이터를 임의로 생성합니다.
rng(0,"twister") % For reproducibility X = rand(20000,3);
ward 연결 방법을 사용하여 계층적 군집 트리를 생성합니다. 이 경우, clusterdata 함수의 SaveMemory 옵션은 기본적으로 "on"으로 설정됩니다. 일반적으로, X의 차원과 사용 가능한 메모리를 기준으로 SaveMemory에 가장 적합한 값을 지정합니다.
Z = linkage(X,"ward");데이터를 최대 네 개의 그룹으로 군집화하고 결과를 플로팅합니다.
c = cluster(Z,MaxClust=4); scatter3(X(:,1),X(:,2),X(:,3),10,c)
cluster는 데이터에서 네 개의 그룹을 식별합니다.
입력 인수
이름-값 인수
출력 인수
대체 기능
입력 데이터 행렬 X가 있는 경우 clusterdata를 사용하여 병합 군집화를 수행하고 X의 각 관측값(행)에 대한 군집 인덱스를 반환할 수 있습니다. clusterdata 함수가 필요한 모든 단계를 수행하기 때문에 pdist, linkage, cluster 함수를 별도로 실행할 필요가 없습니다.
