K-Means的内部运算

Question

使用Matlabs K意味着我不确定集群的细节。为了解释这一点，我将使用一个示例：

我的数据已经标准化，输出如下所示：

​

​

每一行表示归一化后的一个网络数据包。因此，行1将表示来自计算机A的数据包。

现在我在想，当我在Matlab中运行K-means时，它是对每一列进行聚类，还是通过行进行聚类？

也就是说，列A是否属于群集1，列B，群集2，等等。

询问背后的原因是我需要每个数据包(行)保持绑定，并根据其固有属性对每个数据包进行聚类。然而，我担心这可能会严重削弱它的能力。但我希望有一种聚合方法可以解开这个谜团。

代码：

        %% generate sample data
K = 4;
numObservarations = 5000;
dimensions = 42;
%% cluster
opts = statset('MaxIter', 500, 'Display', 'iter');
[clustIDX, clusters, interClustSum, Dist] = kmeans(data, K, 'options',opts, ...
'distance','sqEuclidean', 'EmptyAction','singleton', 'replicates',3);
%% plot data+clusters
figure, hold on
scatter3(data(:,1),data(:,2),data(:,3), 5, clustIDX, 'filled')
scatter3(clusters(:,1),clusters(:,2),clusters(:,3), 100, (1:K)', 'filled')
hold off, xlabel('x'), ylabel('y'), zlabel('z')
%% plot clusters quality
figure
[silh,h] = silhouette(data, clustIDX);
avrgScore = mean(silh);
%% Assign data to clusters
% calculate distance (squared) of all instances to each cluster centroid
D = zeros(numObservarations, K);     % init distances
for k=1:K
%d = sum((x-y).^2).^0.5
D(:,k) = sum( ((data - repmat(clusters(k,:),numObservarations,1)).^2), 2);
end
% find  for all instances the cluster closet to it
[minDists, clusterIndices] = min(D, [], 2);
% compare it with what you expect it to be
sum(clusterIndices == clustIDX)

结果：

​

​

这是基于5000行数据。不幸的是，在集群之后无法重建数据限制了我对正在发生的事情的了解。(参见相关问题：MATLAB - Classification output)

Answer 1

在Matlab中输入聚类和分类数据的标准格式是：

对于每列中的某个样本(行)，每个sample

• different要素

1. 一行。