如何创建n维测试数据进行聚类分析？
How to create n-dimensional test data for cluster analysis?
我正在研究 k-means 的 C++ 实现，因此我需要 n 维测试数据。对于一开始，2D 点就足够了，因为它们可以很容易地在 2D 图像中可视化，但我最终更喜欢支持 n 维的通用方法。
Whosebug 上有 an answer，它建议将随机数的顺序向量与不同的偏移量和分布连接起来，但我不确定如何创建它们，尤其是在不包含第 3 方库的情况下。
下面是我目前的方法声明，它包含应该变化的参数。但如有必要，可以更改 - 除了 data，它需要是指针类型，因为我使用的是 OpenCL。
auto populateTestData(float** data, uint8_t dimension, uint8_t clusters, uint32_t elements) -> void;
我想到的另一个问题是生成随机数时有效的 detection/avoidance 碰撞。这难道不是性能瓶颈吗？如果一个人在 1M 值的域中生成 100k 个数字，即如果生成的数字与数字之间的关系 space 不够小？
问题
如何高效创建n维测试数据进行聚类分析？我需要遵循哪些概念？
可以使用 c++11（或 boost）随机的东西来创建集群，但这有点工作。
std::normal_distribution 可以生成零均值的单变量正态分布。
使用 1. 您可以从法向量中采样（只需创建此类样本的 n 维向量）。
如果你从 2. 中获取向量 n 并输出 A n + b，那么你将中心 b 移开 + 由 A 修改。 （特别是，对于 2 维和 3 维，很容易构建 A 作为旋转矩阵。）因此，重复采样 2. 并执行此转换可以得到一个以 [=29] 为中心的样本=]b.
选择k对A，b，生成你的k 集群。
备注
您可以使用不同类型的 A 矩阵生成不同的聚类方案。例如，如果 A 是一个非长度保留矩阵乘以一个旋转矩阵，那么你可以获得 "paraboloid" 个簇（实际上有趣的是让它们沿着连接向量的向量变宽中心）。
您可以生成 "center" 向量 b 硬编码，或者使用像用于 x 上面的向量（不过，使用 this 可能是统一的）。
我正在研究 k-means 的 C++ 实现，因此我需要 n 维测试数据。对于一开始，2D 点就足够了，因为它们可以很容易地在 2D 图像中可视化，但我最终更喜欢支持 n 维的通用方法。
Whosebug 上有 an answer，它建议将随机数的顺序向量与不同的偏移量和分布连接起来，但我不确定如何创建它们，尤其是在不包含第 3 方库的情况下。
下面是我目前的方法声明，它包含应该变化的参数。但如有必要，可以更改 - 除了 data，它需要是指针类型，因为我使用的是 OpenCL。
auto populateTestData(float** data, uint8_t dimension, uint8_t clusters, uint32_t elements) -> void;
我想到的另一个问题是生成随机数时有效的 detection/avoidance 碰撞。这难道不是性能瓶颈吗？如果一个人在 1M 值的域中生成 100k 个数字，即如果生成的数字与数字之间的关系 space 不够小？
问题 如何高效创建n维测试数据进行聚类分析？我需要遵循哪些概念？
可以使用 c++11（或 boost）随机的东西来创建集群，但这有点工作。
std::normal_distribution可以生成零均值的单变量正态分布。使用 1. 您可以从法向量中采样（只需创建此类样本的 n 维向量）。
如果你从 2. 中获取向量 n 并输出 A n + b，那么你将中心 b 移开 + 由 A 修改。 （特别是，对于 2 维和 3 维，很容易构建 A 作为旋转矩阵。）因此，重复采样 2. 并执行此转换可以得到一个以 [=29] 为中心的样本=]b.
选择k对A，b，生成你的k 集群。
备注
您可以使用不同类型的 A 矩阵生成不同的聚类方案。例如，如果 A 是一个非长度保留矩阵乘以一个旋转矩阵，那么你可以获得 "paraboloid" 个簇（实际上有趣的是让它们沿着连接向量的向量变宽中心）。
您可以生成 "center" 向量 b 硬编码，或者使用像用于 x 上面的向量（不过，使用 this 可能是统一的）。