Unbewegte Klassifizierungsmethoden verfügbar

Question

Ich mache eine Untersuchung, die "unbeaufsichtigte Klassifizierung" beinhaltet. Grundsätzlich habe ich ein Trainset und möchte Daten in x -Anzahl von Klassen auf unbeaufsichtigte Weise übertreffen. Die Idee ähnelt dem, was K-Means tut.

Sagen wir

STEP1) Featureset ist eine [1057x10] Matrize und ich möchte sie in 88 Cluster gruppieren.

Schritt2) Verwenden Sie zuvor berechnete Klassen, um zu berechnen, wie der TestData klassifiziert ist

Frage -Ist es möglich, es mit SVM oder NN zu tun? Noch etwas ? -Al anderen Empfehlungen?

Answer 1

Es gibt viele Clustering -Algorithmen, und das Web ist mit Informationen und Beispielimplementierungen überflutet. Ein guter Ausgangspunkt ist der Wikipedia -Eintrag zur Clusteranalyse Clusteranalyse.

Da Sie eine funktionierende K-Means-Implementierung haben, können Sie eine der vielen Varianten ausprobieren, um zu sehen, ob sie bessere Ergebnisse erzielen (K-Means ++ In Anbetracht der SVM). Wenn Sie einen völlig anderen Ansatz wünschen, schauen Sie sich Kohonen Maps an - auch als selbst organisierende Feature -Karten bezeichnet. Wenn dies zu schwierig aussieht, wäre ein einfaches hierarchisches Clustering einfach zu implementieren (finden Sie die nächsten zwei Elemente, kombinieren Sie, spülen und wiederholen Sie sie).

Answer 2

Das klingt nach einem klassischen Clustering -Problem. Weder SVMs noch neuronale Netze können dieses Problem direkt lösen. Sie können beide Ansätze für verwenden Dimensionsreduzierung, Zum Beispiel, um Ihre 10-dimensionalen Daten in zweidimensionalen Raum einzubetten, aber sie werden die Daten nicht in Cluster für Sie einfügen.

Neben K-Means gibt es eine große Anzahl von Clustering-Algorithmen. Wenn Sie einen kontrastierenden Ansatz haben möchten, möchten Sie vielleicht einen ausprobieren agglomerativer Clustering Algorithmus. Ich weiß nicht, welche Art von Computerumgebung Sie verwenden, aber ich mag sehr R und Diese (sehr) kurze Anleitung zum Clustering.