KMeansSparseCluster(sparcl)
KMeansSparseCluster()所属R语言包：sparcl
Performs sparse k-means clustering
执行稀疏的k-means聚类
译者：生物统计家园网 机器人LoveR
描述----------Description----------
This function performs sparse k-means clustering. You must specify a number of clusters K and an L1 bound on w, the feature weights.
这个函数执行稀疏的k-means聚类。您必须指定一个数字聚类K和W，要素权重绑定在L1。
用法----------Usage----------
KMeansSparseCluster(x, K=NULL, wbounds = NULL, nstart = 20, silent =
FALSE, maxiter=6, centers=NULL)
参数----------Arguments----------
参数：x
An nxp data matrix. There are n observations and p features.
恩智浦的数据矩阵。有N个观测值和P功能。
参数：K
The number of clusters desired ("K" in K-means clustering). Must provide either K or centers.
所需的簇的数目（K-means聚类中的“K”）。必须提供要么K或中心。
参数：wbounds
A single L1 bound on w (the feature weights), or a vector of L1 bounds on w. If wbound is small, then few features will have non-zero weights. If wbound is large then all features will have non-zero weights. Should be greater than 1.
一个单一的L1，瓦特（特征权重），或一个矢量的L1的界限在W上的约束。如果wbound是小的，然后几个特点将有非零的权重。如果wbound大，那么所有的功能将有非零的权重。应该是大于1。
参数：nstart
The number of random starts for the k-means algorithm.
随机启动的k-means算法的数量。
参数：silent
Print out progress?
打印出的进展如何？
参数：maxiter
The maximum number of iterations.
最大迭代次数。
参数：centers
Optional argument. If you want to run the k-means algorithm starting from a particular set of clusters, then you can enter the Kxp matrix of cluster centers here. Default use case involves taking centers=NULL and instead specifying K.
可选参数。如果你想运行的k-means算法从一组特定的聚类，然后你就可以进入KXP矩阵的聚类中心。默认情况下使用的情况下，涉及到中心= NULL，而不是指定K.
Details
详细信息----------Details----------
We seek a p-vector of weights w (one per feature) and a set of clusters C1,...,CK that optimize
我们寻求对权重向量W（每一个功能）和一组聚类C1，...，CK，优化
$maximize_C1,...,CK,w sum_j w_j BCSS_j$ subject to $||w||_2 <= 1, ||w||_1 <= wbound, w_j >= 0$
$ maximize_C1，...，CK，W sum_j w_j BCSS_j $ $ | |瓦特| | _2 <= 1，| |瓦特| | _1 = wbound，w_j> = 0 $
where $BCSS_j$ is the between cluster sum of squares for feature j. An iterative approach is taken: with w fixed, optimize with respect to C1,...,CK, and with C1,...,CK fixed, optimize with respect to w. Here, wbound is a tuning parameter which determines the L1 bound on w.
BCSS_j $之间的聚类特征j的平方之和。迭代的方法采取：用w固定的，相对于优化为C1，...，CK，并与C1，...，CK固定的，相对于优化为w。在这里，wbound是调整参数，它决定了L1 W上的约束。
The non-zero elements of w indicate features that are used in the sparse clustering.
为w的非零元素表示稀疏聚类中所使用的功能。
值----------Value----------
If wbounds is a vector, then a list with elements as follows (one per element of wbounds). If wbounds is just a single value, then elements as follows:
如果wbounds是一个向量的列表，然后与如下（每个元素wbounds一个）元素。 ，如果wbounds只是一个单一的值，然后元素如下：
参数：ws
The p-vector of feature weights.
的p-的特征权重向量。
参数：Cs
The clustering obtained.
聚类。
（作者）----------Author(s)----------
Daniela M. Witten and Robert Tibshirani
参考文献----------References----------
参见----------See Also----------
KMeansSparseCluster.permute,HierarchicalSparseCluster
KMeansSparseCluster.permute，HierarchicalSparseCluster
实例----------Examples----------
# generate data[生成数据]
set.seed(11)
x <- matrix(rnorm(50*300),ncol=300)
x[1:25,1:50] <- x[1:25,1:50]+1
x <- scale(x, TRUE, TRUE)
# choose tuning parameter[选择调整参数]
km.perm <- KMeansSparseCluster.permute(x,K=2,wbounds=seq(3,9,len=15),nperms=5)
print(km.perm)
plot(km.perm)
# run sparse k-means[运行稀疏的k-means]
km.out <- KMeansSparseCluster(x,K=2,wbounds=km.perm$bestw)
print(km.out)
plot(km.out)
# run sparse k-means for a range of tuning parameter values[运行装置，用于整定参数值的范围内的稀疏的k-]
km.out <- KMeansSparseCluster(x,K=2,wbounds=2:7)
print(km.out)
plot(km.out)
# Run sparse k-means starting from a particular set of cluster centers[运行稀疏的k-means聚类中心从一组特定]
#in the k-means algorithm.[在k-means算法。]
km.out <- KMeansSparseCluster(x,wbounds=2:7,centers=x[c(1,3,5),])
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 12:25:35
