PAM 聚类 - 在另一个数据集中使用结果
PAM Clustering - Use the results in another data-set
我已经成功地 运行 使用 pam 函数（R 中的集群包）围绕 Medoids 进行分区，现在，我想使用结果来归因对先前定义的 clusters/medoids 的新观察。
问题的另一种表述方式是，给定 k clusters/medoids 已被 pam 函数找到，哪个更接近初始数据集中没有的额外观察？
x<-matrix(c(1,1.2,0.9,2.3,2,1.8,
3.2,4,3.1,3.9,3,4.4),6,2)
x
[,1] [,2]
[1,] 1.0 3.2
[2,] 1.2 4.0
[3,] 0.9 3.1
[4,] 2.3 3.9
[5,] 2.0 3.0
[6,] 1.8 4.4
pam(x,2)
观测值 1、3 和 5，以及观测值 2、4 和 6 聚集在一起，观测值 1 和 6 是中心点：
Medoids:
ID
[1,] 1 1.0 3.2
[2,] 6 1.8 4.4
Clustering vector:
[1] 1 2 1 2 1 2
现在，cluster/medoid y 应该 attributed/associated 和？
y<-c(1.5,4.5)
哦，如果你有多个解决方案，计算时间在我拥有的大数据集中很重要。
对一般的 k 个集群试试这个：
k <- 2 # pam with k clusters
res <- pam(x,k)
y <- c(1.5,4.5) # new point
# get the cluster centroid to which the new point is to be assigned to
# break ties by taking the first medoid in case there are multiple ones
# non-vectorized function
get.cluster1 <- function(res, y) which.min(sapply(1:k, function(i) sum((res$medoids[i,]-y)^2)))
# vectorized function, much faster
get.cluster2 <- function(res, y) which.min(colSums((t(res$medoids)-y)^2))
get.cluster1(res, y)
#[1] 2
get.cluster2(res, y)
#[1] 2
# comparing the two implementations (the vectorized function takes much les s time)
library(microbenchmark)
microbenchmark(get.cluster1(res, y), get.cluster2(res, y))
#Unit: microseconds
# expr min lq mean median uq max neval cld
# get.cluster1(res, y) 31.219 32.075 34.89718 32.930 33.358 135.995 100 b
# get.cluster2(res, y) 17.107 17.962 19.12527 18.817 19.245 41.483 100 a
任意距离函数的扩展：
# distance function
euclidean.func <- function(x, y) sqrt(sum((x-y)^2))
manhattan.func <- function(x, y) sum(abs(x-y))
get.cluster3 <- function(res, y, dist.func=euclidean.func) which.min(sapply(1:k, function(i) dist.func(res$medoids[i,], y)))
get.cluster3(res, y) # use Euclidean as default
#[1] 2
get.cluster3(res, y, manhattan.func) # use Manhattan distance
#[1] 2
我已经成功地 运行 使用 pam 函数（R 中的集群包）围绕 Medoids 进行分区，现在，我想使用结果来归因对先前定义的 clusters/medoids 的新观察。
问题的另一种表述方式是，给定 k clusters/medoids 已被 pam 函数找到，哪个更接近初始数据集中没有的额外观察？
x<-matrix(c(1,1.2,0.9,2.3,2,1.8,
3.2,4,3.1,3.9,3,4.4),6,2)
x
[,1] [,2]
[1,] 1.0 3.2
[2,] 1.2 4.0
[3,] 0.9 3.1
[4,] 2.3 3.9
[5,] 2.0 3.0
[6,] 1.8 4.4
pam(x,2)
观测值 1、3 和 5，以及观测值 2、4 和 6 聚集在一起，观测值 1 和 6 是中心点：
Medoids:
ID
[1,] 1 1.0 3.2
[2,] 6 1.8 4.4
Clustering vector:
[1] 1 2 1 2 1 2
现在，cluster/medoid y 应该 attributed/associated 和？
y<-c(1.5,4.5)
哦，如果你有多个解决方案，计算时间在我拥有的大数据集中很重要。
对一般的 k 个集群试试这个：
k <- 2 # pam with k clusters
res <- pam(x,k)
y <- c(1.5,4.5) # new point
# get the cluster centroid to which the new point is to be assigned to
# break ties by taking the first medoid in case there are multiple ones
# non-vectorized function
get.cluster1 <- function(res, y) which.min(sapply(1:k, function(i) sum((res$medoids[i,]-y)^2)))
# vectorized function, much faster
get.cluster2 <- function(res, y) which.min(colSums((t(res$medoids)-y)^2))
get.cluster1(res, y)
#[1] 2
get.cluster2(res, y)
#[1] 2
# comparing the two implementations (the vectorized function takes much les s time)
library(microbenchmark)
microbenchmark(get.cluster1(res, y), get.cluster2(res, y))
#Unit: microseconds
# expr min lq mean median uq max neval cld
# get.cluster1(res, y) 31.219 32.075 34.89718 32.930 33.358 135.995 100 b
# get.cluster2(res, y) 17.107 17.962 19.12527 18.817 19.245 41.483 100 a
任意距离函数的扩展：
# distance function
euclidean.func <- function(x, y) sqrt(sum((x-y)^2))
manhattan.func <- function(x, y) sum(abs(x-y))
get.cluster3 <- function(res, y, dist.func=euclidean.func) which.min(sapply(1:k, function(i) dist.func(res$medoids[i,], y)))
get.cluster3(res, y) # use Euclidean as default
#[1] 2
get.cluster3(res, y, manhattan.func) # use Manhattan distance
#[1] 2