Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
34
MarekWalesiak
wpracyNg,JordaniWeiss[2002].Innealgorytmyklasyfikacjispektralnejscharak-
teryzowanom.in.wpracachShortreed[2006]orazVermaiMeila[2003].
Proceduraklasyfikacjispektralnejobejmujenastępującekroki
1:
1.Ustaleniezbioruobiektówizmiennych.Pozgromadzeniudanychkonstruuje
sięmacierzdanych
X
=LJ
f1
x
ij
nm
×
(i-numerobiektu,j-numerzmiennej),awprzy-
padkudanychmetrycznychznormalizowanąmacierzdanych
Z
=LJ
f1
z
ij
nm
×
.
2.Dobórzmiennych.
Szczegółowącharakterystykęetapów1-2zaprezentowanom.in.wpracachWa-
lesiaka[2005;2009].
3.Obliczeniesymetrycznejmacierzypodobieństw
A
=
[]
A
iknn
×
(affinitymatrix)
międzyobiektami,dlaktórej
A
ii
=
0
oraz
A
ik
=
exp(
−⋅
σ
d
ik
)
dla
i
≠
k
,
(1)
gdzie:
σ
-parametrskali,
d
ik
-miaryodległościdlaróżnychskalpomiaru(zob.Walesiak[2012]),
i,
k
=ł
,
n
-numeryobiektów.
1,
Wartykuleprzetestowanozastosowaniewewzorze(1)miarodległości
d
ik
dla
danychmetrycznychujętychwtab.1.
Tabela1.Miaryodległości
d
ik
dladanychmetrycznych
NrNazwamiaryodległości
1
2euklidesowa
3miejska(Manhattan)
4GDM1
kwadratodległości
euklidesowej
zzz
ij
(
kj
,
lj
)
-znormalizowanawartośćj-tejzmiennejdlai-tego(k-tego,l-tego)obiektu.
d
ik
b
=
a
kij
ikj
1
2
d
=
d
=
ik
−
d
ik
z
=
z
ik
2
kj
ij
∑
=
j
m
=
f
=
|
L
1
−
−
∑
∑∑
Formuła
∑
ab
j
∑
m
=
z
z
1
ikjkij
kj
ij
m
j
m
l
=
,
j
=
j
m
,
n
1
=
1
=
1
(
1
(
a
b
a
z
+
z
z
ilj
2
ij
klj
ilj
ij
ij
∑∑
−
⋅
j
m
=
−
−
∑∑
=
=
j
1
m
=
z
z
z
lik
1
z
kj
l
≠
z
kj
kj
ij
n
=
l
)
kj
=
1
,
n
)
2
1
−
−
2
ab
b
iljklj
z
klj
2
z
lj
lj
1
|
J
1
2
,
Funkcja(pakiet)programuR
(clusterSim)
dist(stats)
dist(stats)
dist(stats)
dist.GDM
Źródło:opracowaniewłasne.
1JesttoalgorytmzaproponowanywpracyNg,JordaniWeiss[2002](por.WalesiakiDudek
[2009;2010]).WartykuleWalesiaka[2012]dokonanojegomodyfikacjiwkroku3przyobliczaniu
macierzypodobieństw(affinitymatrix).
