Kümeleme algoritmalarının bir listesini derlemeye çalışıyorum:
- R'de uygulandı
- SparseMatrix işlevi tarafından oluşturulanlar gibi seyrek veri matrislerini (benzerlik matrislerini değil) çalıştırın .
CV hakkında bu kavramı tartışan birkaç soru daha vardır, ancak bunların hiçbiri doğrudan seyrek matrislerde çalışabilen R paketlerine bağlanmaz:
- Büyük ve seyrek veri kümelerini kümeleme
- Yüksek boyutlu seyrek ikili verileri kümeleme
- Seyrek ve yüksek boyutlu kümeleme uygulaması aranıyor
- Yerden tasarruf sağlayan kümeleme
Şimdiye kadar, R'de seyrek matrisleri kümeleyebilen bir fonksiyon buldum:
skmeans : küresel kmeans
Gönderen skmeans paketinde . Kosinüs mesafesi kullanarak kmeans . DgTMatrix nesneleri üzerinde çalışır. Genetik bir k-ortalama algoritması, pclust, CLUTO, gmeans ve kmndirs için bir arayüz sağlar.
Misal:
library(Matrix)
set.seed(42)
nrow <- 1000
ncol <- 10000
i <- rep(1:nrow, sample(5:100, nrow, replace=TRUE))
nnz <- length(i)
M1 <- sparseMatrix(i = i,
j = sample(ncol, nnz, replace = TRUE),
x = sample(0:1 , nnz, replace = TRUE),
dims = c(nrow, ncol))
M1 <- M1[rowSums(M1) != 0, colSums(M1) != 0]
library(skmeans)
library(cluster)
clust_sk <- skmeans(M1, 10, method='pclust', control=list(verbose=TRUE))
summary(silhouette(clust_sk))
Aşağıdaki algoritmalar onurlu sözlerden bahseder: oldukça kümeleme algoritmaları değildir, ancak seyrek matrisler üzerinde çalışırlar.
apriori : dernek madenciliği kuralları
Gönderen arules paketinde . NgCMatrix nesnelerinden zorlanabilen "işlemler" nesneleri üzerinde çalışır. Öneride bulunmak için kullanılabilir.
misal:
library(arules)
M1_trans <- as(as(t(M1), 'ngCMatrix'), 'transactions')
rules <- apriori(M1_trans, parameter =
list(supp = 0.01, conf = 0.01, target = "rules"))
summary(rules)
irlba : seyrek SVD
Gönderen irlba paketinin . Seyrek matrislerde SVD yapar. Geleneksel R paketleri ile kümelenmeden önce seyrek matrislerin boyutsallığını azaltmak için kullanılabilir.
misal:
library(irlba)
s <- irlba(M1, nu = 0, nv=10)
M1_reduced <- as.matrix(M1 %*% s$v)
clust_kmeans <- kmeans(M1, 10)
summary(silhouette(clust_kmeans$cluster, dist(M1_reduced)))
apcluster : Afinite Yayılım Kümelemesi
library(apcluster)
sim <- crossprod(M1)
sim <- sim / sqrt(sim)
clust_ap <- apcluster(sim) #Takes a while
Orada başka hangi fonksiyonlar var?