R语言 sparcl包 KMeansSparseCluster.permute()函数中文帮助文档(中英文对照)

loveR

KMeansSparseCluster.permute(sparcl)
KMeansSparseCluster.permute()所属R语言包：sparcl

                                        Choose tuning parameter for sparse k-means clustering
                                         选择调整参数稀疏的k-means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----------


KMeansSparseCluster.permute(x, K=NULL, nperms = 25, wbounds = NULL,
silent = FALSE, nvals = 10, centers=NULL)



参数----------Arguments----------

参数：x
The nxp data matrix, n is the number of observations and p the number of features.
恩智浦的数据矩阵，n为观测和p的功能。


参数：K
The number of clusters desired - that is, the "K" in K-means clustering. Must specify K or centers.
所需的簇的数目 - 也就是说，K-means聚类中的“K”。必须指定K或中心。


参数：nperms
Number of permutations.
的排列数目。


参数：wbounds
The range of tuning parameters to consider. This is the L1 bound on w, the feature weights. If NULL, then a range of values will be chosen automatically. Should be greater than 1 if non-null.
整定参数的范围来考虑。这是L1瓦特，特征权重的约束。如果为NULL的值的范围，然后将被自动选择。应该是大于1，如果非空。


参数：silent
Print out progress?
打印出的进展如何？


参数：nvals
If wbounds is NULL, then the number of candidate tuning parameter values to consider.
如果wbounds是NULL，然后数的候选调整参数值需要考虑。


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----------

Sparse k-means clustering seeks a p-vector of weights w (one per feature) and a set of clusters  C1,...,CK that optimize $maximize_C1,...,CK,w sum_j w_j BCSS_j$ subject to $||w||_2 <= 1, ||w||_1 <= s, w_j >= 0$, where $BCSS_j$ is the between cluster sum of squares for feature j, and s is a value for the L1 bound on w. Let O(s) denote the objective function with tuning parameter s: i.e. $O(s)=sum_j w_j BCSS_j$.
稀疏的k-means聚类寻求一个P-向量的权重w（每一个功能）和一组聚类C1，...，CK，优化maximize_C1美元，...，CK，W sum_j w_j BCSS_j $ $ | |瓦特| | _2 <= 1，| |瓦特| | _1 <= s时，w_j> = 0 $，其中$ BCSS_j $是聚类特征j，和s的平方总和之间的是一个值，该值L1 W上的约束。 O（S）为目标函数：即调整参数s $ O（S）= sum_j w_j BCSS_j $。

We permute the data as follows: within each feature, we permute the observations. Using the permuted data, we can run sparse K-means 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，我们可以运行稀疏的K-means调整参数s，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----------

KMeansSparseCluster, HierarchicalSparseCluster, HierarchicalSparseCluster.permute
KMeansSparseCluster，HierarchicalSparseCluster，HierarchicalSparseCluster.permute


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)
# Repeat, but this time start with a particular choice of cluster[重复，但此时间开始与一个特定的选择的聚类]
# centers.[中心。]
# This will do 4-means clustering starting with this particular choice[这将4-means聚类开始与这个特殊的选择]
# of cluster centers.[聚类中心。]
km.perm.out <- KMeansSparseCluster.permute(x,wbounds=2:7, centers=x[1:4,])
print(km.out)
plot(km.out)

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。