HierarchicalSparseCluster.permute(sparcl)
HierarchicalSparseCluster.permute()所属R语言包：sparcl
Choose tuning parameter for sparse hierarchical clustering
选择调整参数稀疏的层次聚类
译者：生物统计家园网 机器人LoveR
描述----------Description----------
The tuning parameter controls the L1 bound on w, the feature weights. A permutation approach is used to select the tuning parameter.
调整参数控制L1 W，要素权重的约束。置换的方法来选择调谐参数。
用法----------Usage----------
HierarchicalSparseCluster.permute(x, nperms = 10, wbounds = NULL,
dissimilarity=c("squared.distance", "absolute.value"),standardize.arrays=FALSE)
参数----------Arguments----------
参数：x
A nxp data matrix, with n observations and p feaures.
恩智浦的数据矩阵，N个观测值和P feaures。
参数：nperms
The number of permutations to perform.
的排列数来执行。
参数：wbounds
The sequence of tuning parameters to consider. The tuning parameters are the L1 bound on w, the feature weights. If NULL, then a default sequence will be used. If non-null, should be greater than 1.
调整参数的顺序来考虑。调优参数L1 W，要素权重的约束。如果为NULL，则一个默认的序列将被使用。如果非空，应该是大于1。
参数：dissimilarity
How should dissimilarity be computed? Default is squared.distance.
应该如何相异计算？默认是squared.distance。
参数：standardize.arrays
Should the arrays first be standardized? Default is FALSE.
如果数组的第一个标准化了吗？默认值是false。
Details
详细信息----------Details----------
Let $d_ii'j$ denote the dissimilarity between observations i and i' along feature j.
让d_iij $表示观察i和i沿特征j之间的相异。
Sparse hierarchical clustering seeks a p-vector of weights w (one per feature) and a nxn matrix U that optimize $maximize_U,w sum_j w_j sum_ii' d_ii'j U_ii'$ subject to $||w||_2 <= 1, ||w||_1 <= s, w_j >= 0, sum_ii' U_ii'^2 <= 1$, where s is a value for the L1 bound on w. Let O(s) denote the objective function with tuning parameter s: i.e. $O(s)=sum_j w_j sum_ii' d_ii'j U_ii'$.
稀疏的层次聚类的目的向量的权重w（每一个功能）和一个n×n的矩阵U，优化maximize_U，瓦特sum_j w_j sum_ii的d_iij U_ii $ $ | |没有| | _2 <= 1的P- ，| |瓦特| | _1 <= s时w_j> = 0，sum_ii的U_ii“^ 2 <= 1，其中，s是一个值，该值在W结合的L1。 O（S）为目标函数与调整参数s：即$ O（S）= sum_j w_j sum_ii d_iij U_ii美元。
We permute the data as follows: within each feature, we permute the observations. Using the permuted data, we can run sparse hierarchical clustering with tuning parameter s, yielding the objective function O*(s). If we do this repeatedly we can get a number of O*(s) values.
我们置换的数据如下：在每一个功能，我们置换的意见。使用排列的数据，我们可以调整参数s运行稀疏的层次聚类，得到目标函数O *（S）。如果我们这样做反复，我们可以得到一些O *（S）值。
Then, the Gap statistic is given by $Gap(s)=log(O(s))-mean(log(O*(s)))$. The optimal s is that which results in the highest Gap statistic. Or, we can choose the smallest s such that its Gap statistic is within $sd(log(O*(s)))$ of the largest Gap statistic.
然后，差距统计数字是$峡（S）= LOG（O（S））的意思（登录（O *（）））$。最优s是，这会导致最高的间隙统计。或者，我们可以选择最小的S等，其间隙统计范围内的SD（log（O *（）））的最大间隙统计。
值----------Value----------
参数：gaps
The gap statistics obtained (one for each of the tuning parameters tried). If O(s) is the objective function evaluated at the tuning parameter s, and O*(s) is the same quantity but for the permuted data, then Gap(s)=log(O(s))-mean(log(O*(s))).
获得的间隙统计（每个调谐参数之一试过）。如果O（S）的目标函数在调整参数s进行评估，O *（s）是相同的数量，但置换后的数据，然后间隙（S）=log（O（S）），平均值（log（ O *（）））。
参数：sdgaps
The standard deviation of log(O*(s)), for each value of the tuning parameter s.
log（O *（））的标准偏差，为每个调谐参数s的值。
参数：nnonzerows
The number of features with non-zero weights, for each value of the tuning parameter.
的数量与非零的权重的功能，每个值的调谐参数。
参数：wbounds
The tuning parameters considered.
调整参数。
参数：bestw
The value of the tuning parameter corresponding to the highest gap statistic.
调谐参数的值对应于最高的间隙统计。
（作者）----------Author(s)----------
Daniela M. Witten and Robert Tibshirani
参考文献----------References----------
参见----------See Also----------
HierarchicalSparseCluster, KMeansSparseCluster, KMeansSparseCluster.permute
HierarchicalSparseCluster，KMeansSparseCluster，KMeansSparseCluster.permute
实例----------Examples----------
# Generate 2-class data[生成2级数据]
set.seed(1)
x <- matrix(rnorm(100*200),ncol=200)
y <- c(rep(1,50),rep(2,50))
x[y==1,1:25] <- x[y==1,1:25]+2
# Do tuning parameter selection for sparse hierarchical clustering[调整参数的选择稀疏的层次聚类]
perm.out <- HierarchicalSparseCluster.permute(x, wbounds=c(1.5,2:9),
nperms=5)
print(perm.out)
plot(perm.out)
# Perform sparse hierarchical clustering[执行稀疏的层次聚类]
sparsehc <- HierarchicalSparseCluster(dists=perm.out$dists, wbound=perm.out$bestw, method="complete")
par(mfrow=c(1,2))
plot(sparsehc)
plot(sparsehc$hc, labels=rep("", length(y)))
print(sparsehc)
# Plot using knowledge of class labels in order to compare true class[图类标签的使用知识，以比较真实的类]
# labels to clustering obtained[标签得到的聚类]
par(mfrow=c(1,1))
ColorDendrogram(sparsehc$hc,y=y,main="My Simulated
Data",branchlength=.007)
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-9-30 12:25:03
