ฉันมีข้อมูลที่มีเสียงดังของตัวแปรสองตัวเช่นนี้
x1 <- rep(seq(0,1, 0.1), each = 3000)
set.seed(123)
y1 <- rep (c(0.2, 0.8, 0.3, 0.9, 0.65, 0.35,0.7,0.1,0.25, 0.3, 0.95), each = 3000)
set.seed(1234)
e1 = rnorm(length(x1), 0.07,0.07)
set.seed(1223)
e2 = rnorm(length(x1), 0.07,0.07)
set.seed(1334)
yn <- rnorm(20000, 0.5,0.9)
set.seed(2344)
xn <- rnorm(20000, 0.5,0.9)
y <- c(y1 + e1,yn)
x <- c(x1 + e2, xn)
plot(x,y, xlim=c(0,1.2), ylim = c(0,1.2), pch = ".", col = "gray40")
ฉันมองเห็นได้ว่ามี 10 กลุ่มที่มีศักยภาพในการมองใกล้
อย่างไรก็ตามข้อมูลทั้งหมดมีการกระจายจุดมาก:
plot(x,y, pch = ".", col = "gray40") 
ฉันต้องการสร้าง 10 กลุ่ม ฉันลองวิเคราะห์กลุ่ม K-mean
xm1 <- cbind(x,y)
cl1 <- kmeans(xm1, 10)
colrs <- c("red", "green", "blue1", "pink", "green4","tan",
"gray40", "yellow", "black", "purple")
plot(xm1, col = colrs[cl1$cluster], pch = ".", xlim=c(0,1.2), ylim = c(0,1.2))
plot(xm1, col = colrs[cl1$cluster], pch = ".")
มีอยู่แล้ว (อาจเป็นเคอร์เนล k- หมายถึงเพื่อนบ้านที่ใกล้ที่สุด) ที่สามารถทำความยุติธรรมมากขึ้นกับข้อมูลประเภทนี้ ถ้าเป็นเช่นนั้นฉันจะทำอย่างไร
1
มีอะไรผิดปกติกับสิ่งที่คุณมีจนถึงตอนนี้? ทำไมสิ่งที่คุณมี (การวิเคราะห์กลุ่ม k-mean ) ไม่ยอมรับ?
—
Steve S
ลองดู dbscan หรืออัลกอริธึม optics (ดูen.wikibooks.org/wata/Data_Mining_Algorithms_In_R/Clustering/
—
......