R语言 RSKC包 revisedsil()函数中文帮助文档(中英文对照)

loveR

revisedsil(RSKC)
revisedsil()所属R语言包：RSKC

                                         The revised silhouette
                                         修订后的剪影

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This function returns a revised silhouette plot,  cluster centers in weighted squared Euclidean distances and   a matrix containing the weighted squared Euclidean distances between cases and each cluster center. Missing values are adjusted.
这个函数返回经修订的剪影图，聚类中心的加权欧氏距离平方和矩阵的情况下，每个聚类中心的加权欧氏距离平方之间。缺少的值被调整。


用法----------Usage----------


revisedsil(d,W,C,out=NULL,CASEofINT=out,col1="black",CASEofINT2=NULL,col2="red",print.plot=TRUE)



参数----------Arguments----------

参数：d
A numerical data matrix, N by p, where N is the number of cases and p is the number of features.
的数值数据矩阵，Np，其中N是多少的情况下，p是多少功能。


参数：W
A positive real vector of weights of length p.
正实的权重向量的长度p。


参数：C
An integer vector of class labels of length N.
整数向量的长度N类的标签。


参数：out
Vector of the case indices that should be excluded in the calculation of cluster centers. In RSKC, cluster centers are calculated without the cases that have the furthest 100*alpha % Weighted squared Euclidean distances to their closest cluster centers. If one wants to obtain the cluster centers from RSKC output, set out = <RSKCoutput>$oW.  
矢量的情况下的指标应排除在计算聚类中心。在RSKC，聚类中心最远100 *alpha％加权平方欧氏距离最近的聚类中心的情况下，有没有计算。如果一个人想获得的聚类中心RSKC输出，out=<RSKCoutput>$oW。


参数：CASEofINT
A vector of the case indices that appear in the revised silhouette plot.  The revised silhouette widths of these indices are colored in col1.
一个向量的情况下，指数出现在修订后的剪影图。修订后的剪影，这些指标的宽度着色col1。


参数：col1
See CASEofINT.
见CASEofINT。


参数：CASEofINT2
A vector of the case indices that appear in the revised silhouette plot. The indices are colored in col2.
一个向量的情况下，指数出现在修订后的剪影图。该指数的颜色col2。


参数：col2
See CASEofINT2
见CASEofINT2


参数：print.plot
If TRUE, the revised silhouette is plotted.
如果TRUE，修订后的人影绘制。


值----------Value----------

<table summary="R valueblock"> <tr valign="top"><td>trans.mu</td> <td>  Cluster centers in reduced weighted dimension. See example for more detail. </td></tr>
<table summary="R valueblock"> <tr valign="top"> <TD> trans.mu</ TD> <TD>聚类中心的加权尺寸减少。更多详细信息，请参见示例。 </ TD> </ TR>

<tr valign="top"><td>WdisC</td> <td>  N by ncl matrix, where ncl is the prespecified number of clusters. It contains the weighted distance between each case and all cluster centers. See example for more detail. </td></tr>
<tr valign="top"> <TD> WdisC </ TD> <TD>Nncl矩阵，其中ncl是预先设定的聚类。它包含了每一种情况下，所有聚类中心的加权距离。更多详细信息，请参见示例。 </ TD> </ TR>

<tr valign="top"><td>sil.order</td> <td>  Silhouette values of each case in the order of the case index. </td></tr> <tr valign="top"><td>sil.i</td> <td>  Silhouette values of cases ranked by decreasing order within clusters. The corresponding case index are in obs.i </td></tr>
<tr valign="top"> <TD>sil.order</ TD> <TD>剪影的顺序的情况下，指数值在每一种情况下。 </ TD> </ TR> <tr valign="top"> <TD> sil.i</ TD> <TD>剪影值的情况下，聚类内的递减顺序排名。相应的情况下，指数在obs.i</ TD> </ TR>

</table>
</ TABLE>


（作者）----------Author(s)----------



Yumi Kondo &lt;y.kondo@stat.ubc.ca&gt;




参考文献----------References----------

Yumi Kondo (2011), Robustificaiton of the sparse K-means clustering algorithm, MSc. Thesis, University of British Columbia http://hdl.handle.net/2429/37093

实例----------Examples----------



# little simulation function [小的仿真功能]
sim <-
function(mu,f){
   D<-matrix(rnorm(60*f),60,f)
   D[1:20,1:50]<-D[1:20,1:50]+mu
   D[21:40,1:50]<-D[21:40,1:50]-mu  
   return(D)
   }


### output trans.mu ###[＃＃＃＃＃输出trans.mu]

p<-200;ncl<-3
# simulate a 60 by p data matrix with 3 classes [P数据矩阵与模拟60 3班]
d<-sim(2,p)
# run RSKC[运行RSKC]
re<-RSKC(d,ncl,L1=2,alpha=0.05)
# cluster centers in weighted squared Euclidean distances by function sil[聚类中心的加权欧氏距离平方的功能SIL]
sil.mu<-revisedsil(d,re$weights,re$labels,out=re$oW,print.plot=FALSE)$trans.mu
# calculation [计算]
trans.d<-sweep(d[,re$weights!=0],2,sqrt(re$weights[re$weights!=0]),FUN="*")
class<-re$labels;class[re$oW]<-ncl+1
MEANs<-matrix(NA,ncl,ncol(trans.d))
for ( i in 1 : 3) MEANs[i,]<-colMeans(trans.d[class==i,,drop=FALSE])
sil.mu==MEANs
# coincides [恰逢]

### output WdisC ###[＃＃＃＃＃输出WdisC]

p<-200;ncl<-3;N<-60
# generate 60 by p data matrix with 3 classes [60 P数据矩阵3类]
d<-sim(2,p)
# run RSKC[运行RSKC]
re<-RSKC(d,ncl,L1=2,alpha=0.05)
si<-revisedsil(d,re$weights,re$labels,out=re$oW,print.plot=FALSE)
si.mu<-si$trans.mu
si.wdisc<-si$WdisC
trans.d<-sweep(d[,re$weights!=0],2,sqrt(re$weights[re$weights!=0]),FUN="*")
WdisC<-matrix(NA,N,ncl)
for ( i in 1 : ncl) WdisC[,i]<-rowSums(scale(trans.d,center=si.mu[i,],scale=FALSE)^2)
# WdisC and si.wdisc coincides[WdisC，并si.wdisc重合]


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。