ওয়ার্ডের মানদণ্ড না হলে ওয়ার্ল্ড.ডিতে কি অ্যালগরিদম কার্যকর হয়?

"ওয়ার্ড.ডি" অপশন দ্বারা ব্যবহৃত এক (আর সংস্করণে <ওয়ার্ড অপশন "ওয়ার্ডের সমতুল্য <= 3.0.3) ওয়ার্ডের (1963) ক্লাস্টারিং মাপদণ্ড প্রয়োগ করে না, অপশন" ওয়ার্ড.ডি 2 "সেই মানদণ্ডকে কার্যকর করে ( মুরতাঘ এবং লেজেন্ডারে 2014)।

( http://stat.ethz.ch/R-manual/R-patched/library/stats/html/hclust.html )

দৃশ্যত ওয়ার্ড.ডি ওয়ার্ডের মাপদণ্ড সঠিকভাবে প্রয়োগ করে না implement তবুও মনে হচ্ছে এটি উত্পাদন করে এমন ক্লাস্টারিংগুলি সম্পর্কে ভাল কাজ করে। যদি ওয়ার্ডের মানদণ্ড না হয় তবে পদ্ধতি = "ওয়ার্ড.ডি" কী প্রয়োগ করে?

তথ্যসূত্র

মুরতাঘ, এফ।, এবং লেজেন্ড্রে, পি। (2014)। ওয়ার্ডের হায়ারার্কিকালাল অগ্রোমারেটিভ ক্লাস্টারিং পদ্ধতি: কোন অ্যালগরিদম ওয়ার্ডের মানদণ্ড প্রয়োগ করে ?. শ্রেণিবিন্যাসের জার্নাল , 31 (3), 274-295।

r clustering ward

— Raffael
সূত্র

মুরতাঘ এবং লেজেন্ড্রে পেপার এ সম্পর্কে কিছু বলে?

— সিবিলেটগুলি মনিকা

সেই কাগজে আমার কোনও অ্যাক্সেস নেই

— রাফেল

প্রথম যে জিনিসটি অনুসন্ধানে আমার জন্য সন্ধান করা হয়েছে তা হ'ল আপনার মনটারিয়ালের পান্ডুলিপির পিডিএফ !?

— সিবিলেটগুলি মনিকা

সুতরাং কাগজ কি বলে? আমি এটি খুঁজে পাচ্ছি না

— রাফায়েল

এটাই আমি আপনাকে বলতে বলি।

— সিবিলেটগুলি মনিকা

উত্তর:

প্রাসঙ্গিক পাণ্ডুলিপিটি এখানে রয়েছে ।

ওয়ার্ড.ডি এবং ওয়ার্ড.ডি 2 এর মধ্যে পার্থক্য হ'ল দুটি ক্লাস্টারিং মানদণ্ডের মধ্যে পার্থক্য যা পাণ্ডুলিপিতে ওয়ার্ড 1 এবং ওয়ার্ড 2 বলা হয়।

এটি মূলত এটিকে ফোটায় যে ওয়ার্ড অ্যালগরিদমটি কেবলমাত্র ওয়ার্ড 2 (ওয়ার্ড। ডি 2) এ সরাসরি প্রয়োগ করা হয়েছে তবে ইউক্লিডিয়ান দূরত্বগুলি (থেকে dist()) যদি ইনপুট দেওয়ার আগে স্কোয়ার করা হয় তবে ওয়ার্ড 1 (ওয়ার্ড। ডি )ও ব্যবহার করা যেতে পারে if hclust()পদ্ধতি হিসাবে ওয়ার্ড.ডি ব্যবহার করে।

উদাহরণস্বরূপ, এসপিএসএস ওয়ার্ড 1 প্রয়োগ করে, তবে ব্যবহারকারীদের সতর্ক করে দেয় যে ওয়ার্ডের মানদণ্ডটি পেতে দূরত্বগুলি বর্গাকার করা উচিত। এই অর্থে ওয়ার্ড.ডির বাস্তবায়ন হ্রাস করা হয় না এবং তা সত্ত্বেও পশ্চাদপদ সামঞ্জস্যের জন্য এটি ধরে রাখা ভাল ধারণা হতে পারে।

— JTT
সূত্র

আপনি যে কাগজের সাথে লিঙ্ক করেছেন সেটি থেকে নয় Ward algorithm is directly correctly implemented in just Ward2, বরং: (1) উভয় বাস্তবায়নের সাথে সঠিক ফলাফল পেতে, ওয়ার্ড 1 এর সাথে স্কোয়ার্ড ইউক্লিডিয়ান দূরত্ব এবং ওয়ার্ড 2 এর সাথে ইউক্লিডিয়ান দূরত্বকে অবিচ্ছিন্নভাবে ব্যবহার করুন; (২) তাদের আউটপুট ডেন্ড্রোগ্রামগুলি তুলনামূলক (অভিন্ন) করার জন্য, ডেনড্রোগ্রাম নির্মাণের আগে ওয়ার্ড 1 বা ওয়ার্ড 2 এর পরে বর্গ ফিউশন স্তরের পরে ফিউশন স্তরে স্কয়ার রুট প্রয়োগ করুন।

— ttnphns

আপনি অবশ্যই, ঠিক। স্পষ্টতার জন্য ধন্যবাদ। "সরাসরি সঠিকভাবে প্রয়োগ করা" বলতে আমি যা বোঝাতে চেয়েছি তা হ'ল উচ্চতাগুলির বর্গমূল গ্রহণের মতো আর কোনও পদক্ষেপের ওয়ার্ড.ডি 2 পদ্ধতিতে সঠিক ফলাফলটিতে পৌঁছানোর দরকার নেই।

— জেটিটি

এখানে ক্ষুদ্রতম সংক্ষিপ্তসারটি হ'ল ওয়ার্ডের পদ্ধতির সাথে এটি "সঠিক" বা সত্য ফিউশন স্তরের উপস্থাপনা কী তা সংজ্ঞায়িত করা হয় না - তাদের "ননসকেয়ারড" বা "স্কোয়ারড" করা উচিত whether সিদ্ধান্তহীনতার কারণ হ'ল ওয়ার্ডে ফিউশন স্তরটি দূরত্ব নয় , তারা ক্রমবর্ধমান ছত্রাক।

— ttnphns

ward.D& এর মধ্যে কেবলমাত্র পার্থক্য ward.D2হ'ল ইনপুট প্যারামিটার।

hclust(dist(x)^2,method="ward.D") ~ hclust(dist(x)^2,method="ward")

যা সমান: hclust(dist(x),method="ward.D2")

আপনি রিসারচ পেপারটি খুঁজে পেতে পারেন: ওয়ার্ডের হায়ারারিকিকাল ক্লাস্টারিং পদ্ধতি: ক্লাস্টারিং মানদণ্ড এবং Agglomerative আলগোরিদিম

Ward2 নির্ণায়ক মান হল "হয় দূরত্বের এর স্কেলে যেহেতু" Ward1 নির্ণায়ক মান হল "হয় দূরত্বের এর স্কেলে ছক উপর "।

— নিলেশ
সূত্র

আমি এই উত্তরটিকে অগ্রাধিকার দেব কারণ অন্যটি বোঝায় যে ওয়ার্ড D ডি ভুল, তাই না। একটু ভিন্ন.

— ক্রিস

আমি সেই গবেষণামূলক প্রবন্ধটি জুড়ে এসেছি যা "ওয়ার্ড 1 (ওয়ার্ড। ডি)" দ্বারা অনুকূলিত হওয়া উদ্দেশ্যমূলক ফাংশনটির সাথে সম্পর্কিত : ওয়ার্ডের ন্যূনতম বৈকল্পিক পদ্ধতিটি প্রসারিত করে: জয়েন্ট বিটিউন -ইন- ডুয়ার্সের মাধ্যমে হায়ারারিকিকাল ক্লাস্টারিং । দেখা যাচ্ছে যে "ওয়ার্ড 1 (ওয়ার্ড। ডি)" এর আর বাস্তবায়ন ক্লাস্টার গ্রুপগুলির মধ্যে শক্তি দূরত্ব হ্রাস করার সমতুল্য।

২.১ ক্লাস্টার ডিস্টেন্স এবং অবজেক্টিভ ফাংশন $e$

যাক এবং এর nonempty সাব-সেট নির্বাচন হতে । নির্ধারণ মধ্যে-মধ্যে, বা -distance মধ্যে এবং যেমন $A = \{a_1, \ldots, a_{n_1}\}$ $B = \{b_1, \ldots, b_{n_2}\}$ $\mathbb R^d$ $e$ $e(A, B)$ $A$ $B$
$\begin{aligned} e (A, B) = & \frac{n_{1} n_{2}}{n_{1} + n_{2}} (\frac{2}{n_{1} n_{2}} \sum_{i = 1}^{n_{1}} \sum_{j = 1}^{n_{2}} ‖ a_{i} - b_{j} ‖ \\ (1) & - \frac{1}{n_{1}^{2}} \sum_{i = 1}^{n_{1}} \sum_{j = 1}^{n_{1}} ‖ a_{i} - a_{j} ‖ - \frac{1}{n_{2}^{2}} \sum_{i = 1}^{n_{2}} \sum_{j = 1}^{n_{2}} ‖ b_{i} - b_{j} ‖) . \end{aligned}$ $\begin{align} e(A, B) = &\frac{n_1n_2}{n_1+n_2}\bigg(\frac{2}{n_1n_2}\sum_{i=1}^{n_1} \sum_{j=1}^{n_2} \|a_i-b_j\| \\ &- \frac{1}{n_1^2}\sum_{i=1}^{n_1}\sum_{j=1}^{n_1}\|a_i-a_j\| - \frac{1}{n_2^2}\sum_{i=1}^{n_2}\sum_{j=1}^{n_2}\|b_i-b_j\|\bigg). \tag{1} \end{align}$

— user3235207
সূত্র

e^{(2)}

$e^{(2)}$ ward.D2

e^{(1)}

$e^{(1)}$ ward.D1

0 < α < 2

$0<\alpha<2$

e^{(α)}

$e^{(\alpha)}$

1

$1$