R 中的数据挖掘算法/包/RWeka/Weka 聚类器

描述

R 对 Weka 聚类算法的接口。

用法

Cobweb(x, control = NULL)

FarthestFirst(x, control = NULL)

SimpleKMeans(x, control = NULL)

XMeans(x, control = NULL)

DBScan(x, control = NULL)

参数

x，一个包含要聚类的数据的 R 对象。

control，一个 Weka_control 类对象，或一个控制选项的字符向量，或 NULL（默认）。

详情

有一个用于从拟合的聚类器预测类 ID 或成员资格的预测方法。

Cobweb 实现 Cobweb（Fisher，1987）和 Classit（Gennari 等，1989）聚类算法。

FarthestFirst 提供了 Hochbaum 和 Shmoys 的“最远优先遍历算法”，它作为一种快速的简单近似聚类器，模仿简单的 k 均值。

SimpleKMeans 使用 k 均值算法提供聚类。

XMeans 通过“改进结构部分”扩展了 k 均值，并自动确定聚类数量。

DBScan 提供了 Ester、Kriegel、Sander 和 Xu 的“基于密度的聚类算法”。请注意，噪声点被分配给 NA。

值

一个继承自 Weka_clusterers 类的列表，其组件包括

clusterer，对使用给定控制选项将 Weka buildClusterer 方法应用于训练实例获得的 Java 对象的引用（jobjRef 类）。

class_ids，一个整数向量，指示每个训练实例分配到的类（调用为已构建的聚类器和每个实例的 Weka clusterInstance 方法的结果）。

示例

   cl1 <- SimpleKMeans(iris[, -5], Weka_control(N = 3))
   table(predict(cl1), iris$Species)
   cl2 <- XMeans(iris[, -5],
   c("-L", 3, "-H", 7, "-use-kdtree", "-K", "weka.core.neighboursearch.KDTree -P"))
   table(predict(cl2), iris$Species)