k 表示聚类限制？
k means clustering limit?
我正在进行 kmeans 聚类分析我的数据。到目前为止它工作完美。
到目前为止，这是我的代码：
library(Ckmeans.1d.dp)
file=read.csv(file.choose(),header=T)
attach(file)
sortfile=file[order(normalized),]
results=Ckmeans.1d.dp(normalized,3)
plot(results)
现在，我能够获取集群和中心，但我对获取集群的 "limits" 更感兴趣。不是我用的数据中一个集群中的最大值，而是我现在拥有的集群的极限。那可能吗？我该怎么做？
K-Means 根据最近的质心（聚类中心）标记点。因此，簇之间的 "limits"（称为决策边界）是至少有两个不同的质心作为它们最近的质心（例如，与它们的距离完全相同）的点。
例如在 2D 中，对于平面中的每个点计算它最近的质心。如果它有多个（例如至少有两个质心与它的距离最小），那么它就是决策边界的一部分。
我正在进行 kmeans 聚类分析我的数据。到目前为止它工作完美。 到目前为止，这是我的代码：
library(Ckmeans.1d.dp)
file=read.csv(file.choose(),header=T)
attach(file)
sortfile=file[order(normalized),]
results=Ckmeans.1d.dp(normalized,3)
plot(results)
现在，我能够获取集群和中心，但我对获取集群的 "limits" 更感兴趣。不是我用的数据中一个集群中的最大值，而是我现在拥有的集群的极限。那可能吗？我该怎么做？
K-Means 根据最近的质心（聚类中心）标记点。因此，簇之间的 "limits"（称为决策边界）是至少有两个不同的质心作为它们最近的质心（例如，与它们的距离完全相同）的点。
例如在 2D 中，对于平面中的每个点计算它最近的质心。如果它有多个（例如至少有两个质心与它的距离最小），那么它就是决策边界的一部分。