Chào bạn,

Trong bài viết trên có nhầm lẫn ở hình cuối cùng nên làm bạn khó hiểu, mình đã điều chỉnh lại rồi.

Clustered Instances cho biết số mẫu (instance) trong mỗi cluster (cụm) cùng % tương ứng trong tổng thể training data.

Giá trị của các thuộc tính trong mỗi cluster cho biết giá trị trung bình (đối với thuộc tính có kiểu định lượng,quantitative) và mode (đối với các thuộc tính có kiểu định danh, nominal) của thuộc tính đó trong các cluster.

Cảm ơn bạn đã quan tâm và góp ý.

Chúc bạn thành công.

Chào anh,

Em có một dữ liệu ảnh đầu vào là một ma trận nhị phân 2D kích thước lớn. Em muốn dùng DBSCAN để gom nhóm các số 1 lại gần nhau theo (eps,minPoints)(số 0 trong ma trận có thể bỏ đi vì chỉ giữ lại các số 1), mục đích của em là gom các số một lại với nhau và đếm có bao nhiêu nhóm. Em gặp khó khăn ở chỗ lưu dữ liệu đầu vào như thế nào (chẳng hạn file .csv ) và đặc biệt là chọn cặp thông số (esp,minPoints).

Em xin cảm ơn trước!

p/s: Ứng dụng của em là đếm số chuyển động qua lại nhờ capture ảnh bằng webcam or camera rồi sau đó gom nhóm các điểm đen trên ảnh captured. 

Anh có thể giải thích một chút ý nghĩa và công dụng của các phần trong sơ đồ trên được không, ví dụ: Square Error có công dụng gì? Công thức của nó như thế nào? khi nào sử dụng nó?,....

 Cảm ơn anh nhiều!

 

Kỹ thuật phân cụm có rất nhiều thuật toán, được chia vào 2 lớp chính đó là phân cụm theo thứ bậc (Hierarchical) và kỹ thuật phân cụm phân hoạch (partitional).

 Trong kỹ thuật phân cụm theo thứ bật có 2 phương pháp phổ biến đó là Single link và Complete Link

Single Link: Khoảng cách giữa 2 clusters được tính là khoảng cách giữa 2 đối tượng gần nhất trong 2 clusters đó  (minimum distance)

Complete Link: Khoảng cách giữa 2 clusters được tính là khoảng cách giữa 2 đối tượng xa nhât trong 2 clusters đó.

(Xem thêm về phương pháp phân cụm theo thứ bậc tại đây: http://bis.net.vn/forums/t/571.aspx)

Với các phương pháp phân cụm phân hoạch thì Square Error là phương pháp phân cụm sao cho tổng bình phương các khoảng cách giữa các phần tử trong một cluster là nhỏ nhất (thường sử dụng khoảng cách Euclidean) và K-Mean là điển hình của phương pháp này.

Chúc bạn thành công

 

 

Qua bài viết của tác giả thì em đã hiểu được cơ bản thuật toán K-Means.

 

Tuy nhiên em có thấy một toán mở rộng của K-means nữa, tên là X-Means "D. Pelleg and A. W. Moore. X-means: Extending k-means with efficient estimation of the number of clusters" .

Anh có thể giải thích thêm về thuật toán này để mọi người hiểu thêm được không ? Cảm ơn anh nhiều!

Chào thầy,

 

Thầy cho em hỏi. Mình dùng khoảng cách Euclidian để tính khoảng cách. Trường hợp dữ liệu bằng chuỗi thì làm cách nào tính được? Em không dùng Weka mà em tự viết code.

 

Cám ơn thầy! 

Em cảm ơn thầy rất nhiều ạ ! 

 

Dạ, em chào thầy ạ.

 

Thầy ơi, thầy cho em hỏi chút về phần dữ liệu input đối với k-means, thì có cả dạng dữ liệu định tính (tỉnh thành phố, giới tính,...) và định lượng (các thuộc tính số) thì phần này tính toán tâm của cụm dữ liệu thế nào ạ, vì theo lý thuyết thì mọi người đều biết rõ ràng, nhưng khi chạy ra kết quả, thì việc xác định tâm cụm dữ liệu là điểm cần quan tâm để làm căn cứ xác định khoảng cách của 1 quan sát mới xuất hiện đến tâm mỗi cụm, để đưa ra kết luận là quan sát đó sẽ được xếp vào cụm nào, thì vấn đề này em đang quan tâm thầy ạ. Mong thầy có thể cho e 1 số gợi ý.

Em cảm ơn ạ.