greater similarity is represented b

greater similarity is represented by dark shading, while
lesser similarity by light shading. The dark and light cells
may initially be scattered over the matrix. To bring out the
potential clusterings, the rows and columns need to reorganize
so that the similar objects are put on adjacent positions.
If “real” clusters exist in the data, they should appear
as symmetrical dark squares along the diagonal [14].
In this section, we will briefly show how a shaded similarity
matrix is constructed and how it looks through an
example. The data used in the example is part of the Iris
data from the UCI repository [25]. There are 150 instances
in the original Iris data set, which evenly distributed in 3
classes: setosa, virginica, and versicolor. For each class,
we fetch its first 5 instances from the data file, and thus obtaining
15 instances (see Table 1). Table 2 is the distance
matrix3
computed using Euclidean distance after normalizing
the data in Table 1 to [0, 1]. For the categorical attribute
Class, the distance is 1 for different value and 0 otherwise.
The shaded distance matrix is illustrated in Fig. 1. Usually,
we use seriation or unidimensional scaling to reorganize
the matrix. The right figure in Fig. 1 is generated using
the algorithm proposed in ClustanGraphics [30]. It works
by weighting each similarity using the distance of the similarity
cell to the diagonal. The algorithm tries to minimize
the sum of the weighted similarities in the similarity matrix
by reordering the pre-computed clusters in a hierarchical
clustering such as a dendrogram. It should be noted that
different seriation algorithms might generate different results.

ผลลัพธ์ (ไทย) 1:

แสดงความคล้ายคลึงกันมาก โดยดำแรเงา ขณะที่ความคล้ายคลึงกันน้อย โดยแรเงาแสง เซลล์เข้ม และอ่อนอาจเริ่มมีกระจายเมตริกซ์ เพื่อนำมาออกแบบเกิด clusterings แถว และคอลัมน์ที่จำเป็นต้องจัดระเบียบใหม่เพื่อให้วัตถุคล้ายจะวางในตำแหน่งที่ติดถ้าคลัสเตอร์ "จริง" มีอยู่ในข้อมูล จะปรากฏเป็นสี่เหลี่ยมเข้มสมมาตรตามแนวทแยงมุม [14]ในส่วนนี้ เราจะสั้น ๆ แสดงวิธีคล้ายสีเทาสร้างเมทริกซ์ และลักษณะทางการตัวอย่างการ ข้อมูลที่ใช้ในตัวอย่างเป็นส่วนหนึ่งของดิไอริสข้อมูลจากเก็บ UCI [25] มีอินสแตนซ์ที่ 150ในชุดข้อมูลเดิมของไอริส ซึ่งเท่า ๆ กันกระจายใน 3เรียน: setosa, virginica และ versicolor สำหรับแต่ละคลาสเรานำมาใช้เป็นอินสแตนซ์แรก 5 จากแฟ้มข้อมูล และดังนั้นจึง ได้รับกรณีที่ 15 (ดูตารางที่ 1) ตารางที่ 2 คือ ระยะห่างmatrix3คำนวณโดยใช้แบบยุคลิดหลัง normalizingข้อมูลในตาราง 1 [0, 1] สำหรับแอตทริบิวต์ที่แน่ชัดคลาส ระยะห่างเป็น 0 และ 1 ค่าแตกต่างกันเป็นอย่างอื่นมีแสดงการเมตริกซ์จากเงาใน Fig. 1 มักจะเราใช้ seriation หรือ unidimensional มาตราส่วนการจัดระเบียบใหม่เมตริกซ์การ รูปขวาใน Fig. 1 ถูกสร้างโดยใช้อัลกอริทึมนำเสนอใน ClustanGraphics [30] การทำงานโดยน้ำหนักแต่ละความคล้ายโดยใช้ระยะห่างของความคล้ายกันเซลล์จะทแยงมุม อัลกอริทึมพยายามลดผลรวมของความเหมือนถ่วงน้ำหนักในเมตริกซ์ความคล้ายคลึงกันโดยคลัสเตอร์คำนวณล่วงหน้าในการลำดับชั้นการสั่งซื้อใหม่คลัสเตอร์เช่นเป็น dendrogram ควรสังเกตที่อัลกอริทึม seriation อื่นอาจสร้างผลลัพธ์ที่แตกต่าง

ผลลัพธ์ (ไทย) 2:

ความคล้ายคลึงกันมากขึ้นเป็นตัวแทนจากการแรเงาเข้มในขณะที่คล้ายคลึงกันน้อยโดยการแรเงาแสง
เซลล์ที่มืดและแสงสว่างในตอนแรกอาจจะกระจายไปทั่วเมทริกซ์
เพื่อนำมาออก
clusterings
ที่อาจเกิดขึ้นแถวและคอลัมน์จำเป็นต้องจัดระเบียบเพื่อให้วัตถุที่คล้ายกันจะถูกวางในตำแหน่งที่อยู่ติดกัน.
ถ้ากลุ่ม "ของจริง"
ที่มีอยู่ในข้อมูลที่พวกเขาควรจะปรากฏเป็นสี่เหลี่ยมมืดสมมาตรตามแนวเส้นทแยงมุม[14].
ใน
ส่วนนี้เราสั้นจะแสดงวิธีการที่คล้ายคลึงกันสีเทาแมทริกซ์ที่สร้างขึ้นและวิธีการที่จะดูผ่านตัวอย่างเช่น
ข้อมูลที่ใช้ในตัวอย่างเป็นส่วนหนึ่งของไอริสข้อมูลจากพื้นที่เก็บข้อมูล UCI [25]
มี 150
กรณีในชุดข้อมูลที่ไอริสเดิมซึ่งกระจายอยู่ใน3
เรียน: setosa, เวอร์และ versicolor สำหรับการเรียนในแต่ละครั้งที่เราเรียกครั้งแรก 5 กรณีจากแฟ้มข้อมูลและทำให้ได้รับ 15 กรณี (ดูตารางที่ 1) ตารางที่ 2 คือระยะทางmatrix3 คำนวณโดยใช้ระยะทางยุคลิดหลังจาก normalizing ข้อมูลในตารางที่ 1 ไปที่ [0, 1] สำหรับแอตทริบิวต์เด็ดขาดชั้นระยะทางที่ 1 สำหรับค่าที่แตกต่างกันและ 0 ผู้อื่น. เมทริกซ์สีเทาระยะทางจะแสดงในรูปที่ 1. โดยปกติเราจะใช้seriation หรือปรับ unidimensional ที่จะปฏิรูปเมทริกซ์ รูปที่ถูกต้องในรูป 1 สร้างขึ้นโดยใช้อัลกอริทึมที่นำเสนอในClustanGraphics [30] มันทำงานโดยน้ำหนักความคล้ายคลึงกันในแต่ละระยะโดยใช้ความคล้ายคลึงกันของเซลล์เส้นทแยงมุม ขั้นตอนวิธีการพยายามที่จะลดผลรวมของความคล้ายคลึงกันถ่วงน้ำหนักในเมทริกซ์ความคล้ายคลึงกันที่โดยการจัดเรียงใหม่กลุ่มก่อนการคำนวณในลำดับชั้นการจัดกลุ่มเช่นdendrogram มันควรจะตั้งข้อสังเกตว่าขั้นตอนวิธีการที่แตกต่างกัน seriation อาจสร้างผลลัพธ์ที่แตกต่าง

ผลลัพธ์ (ไทย) 3:

มากกว่าความเหมือน แทนด้วยการแรเงาเข้ม ในขณะที่
น้อยกว่าความเหมือนโดยแรเงาแสง ความมืดและเซลล์
แสงอาจเริ่มต้นกระจายทั่วเมทริกซ์ เอา
clusterings ศักยภาพออกมา แถวและคอลัมน์ต้องจัดระเบียบใหม่
เพื่อให้วัตถุที่คล้ายกันจะวางในตำแหน่งที่อยู่ติดกัน
ถ้าจริง " " กลุ่มที่มีอยู่ในข้อมูลที่พวกเขาควรจะปรากฏ
เป็นสี่เหลี่ยมเข้มสมมาตรตามแนวขวาง [ 14 ] .
ในส่วนนี้เราจะสั้น ๆแสดงวิธีเมทริกซ์ความเหมือน
สีเทาถูกสร้างและดูว่าผ่าน
ตัวอย่าง ข้อมูลที่ใช้ในตัวอย่างเป็นส่วนหนึ่งของ IRIS
ข้อมูลจาก UCI กรุ [ 25 ] มี 150 กรณี
ในต้นฉบับไอริสชุดข้อมูลซึ่งกระจายอยู่ทั่วไปในชั้นเรียน 3
: เซนโตซา เทน เวอร์จินิกา , และโรค .สำหรับแต่ละชั้น
เราเรียกกรณี 5 ครั้งแรกจากแฟ้มข้อมูล และดังนั้นจึง ขอรับ
อินสแตนซ์ 15 ( ดูตารางที่ 1 ) ตารางที่ 2 คือ ระยะทาง

matrix3 คำนวณใช้ระยะทางแบบยุคลิดหลัง normalizing
ข้อมูลในตารางที่ 1 [ 0 , 1 ] สำหรับคลาสแอตทริบิวต์
เด็ดขาด , ระยะทางคือ 1 สำหรับมูลค่าที่แตกต่างกันและ 0 มิฉะนั้น .
เมทริกซ์ระยะทางสีเทาจะแสดงในรูปที่ 1 . โดยปกติ
เราใช้ หรือการจัด unidimensional seriation
เมทริกซ์ รูปที่ใช่ในรูปที่ 1 จะถูกสร้างขึ้นโดยใช้อัลกอริทึมที่เสนอใน clustangraphics
[ 30 ] มันทำงานโดยการใช้ดัชนีความเหมือน
แต่ละระยะ ความเหมือน
เซลล์ในแนวทแยง ขั้นตอนวิธีการพยายามลด
ผลรวมของความคล้ายคลึงกันในความเหมือน เมทริกซ์
ถัวโดยใหม่ก่อนคำนวณกลุ่มในการจัดกลุ่มลำดับชั้น
เช่นพันธุกรรม . มันควรจะสังเกตว่าวิธีการ seriation
แตกต่างกันอาจสร้างผลลัพธ์ที่แตกต่าง