Funciones para trabajar con "Clustering": Pds::Clustering::CostKmeans(), Pds::Clustering::Kmeans(), etc. Más...

Namespaces
namespace	Pds
	Nombre de espacio para Pds (Procesamiento Digital de Senales)

namespace	Pds::Clustering
	Nombre de espacio para Clustering.

Clustering : Kmeans cost
double	Pds::Clustering::CostKmeans (const Pds::Matrix &X, const Pds::Matrix &C)
	Función de costo de Kmeans. Más...

Clustering : Kmeans classification
Pds::Matrix	Pds::Clustering::Kmeans (Pds::IterationConf &Conf, const std::vector< Pds::Matrix > &IMG, unsigned int K, Pds::Array< unsigned int > &IDMAP)
	Calculo de los centroides de las muestras (pixels) en std::vector<Pds::Matrix> IMG. Más...

Pds::Matrix	Pds::Clustering::Kmeans (Pds::IterationConf &Conf, const Pds::Matrix &X, const Pds::Matrix &C0, Pds::Array< unsigned int > &ID)
	Calculo de los centroides. Más...

Pds::Matrix	Pds::Clustering::Kmeans (Pds::IterationConf &Conf, const Pds::Matrix &X, unsigned int K, Pds::Array< unsigned int > &ID)
	Calculo de los centroides. Más...

Pds::Matrix	Pds::Clustering::Kmeans (Pds::IterationConf &Conf, const Pds::Matrix &X, unsigned int K)
	Calculo de los centroides. Más...

Descripción detallada

Funciones para trabajar con "Clustering": Pds::Clustering::CostKmeans(), Pds::Clustering::Kmeans(), etc.

#include <Pds/FuncClusteringKmeans>

Documentación de las funciones

◆ CostKmeans()

double Pds::Clustering::CostKmeans	(	const Pds::Matrix &	X,
		const Pds::Matrix &	C
	)

Función de costo de Kmeans.

$S=\frac{1}{L}\sum\limits_{i}^{L_c} \sum\limits_{j\in C_i} ||x_j-c_i||^2$

Parámetros

[in]	X	Matriz con los vectores de datos (muestras) en las lineas.
[in]	C	Centroides con los vectores de datos (muestras) en las lineas.

Devuelve: Los centroides.

◆ Kmeans() [1/4]

Pds::Matrix Pds::Clustering::Kmeans	(	Pds::IterationConf &	Conf,
		const std::vector< Pds::Matrix > &	IMG,
		unsigned int	K,
		Pds::Array< unsigned int > &	IDMAP
	)

Calculo de los centroides de las muestras (pixels) en std::vector<Pds::Matrix> IMG.

El error usado para comparar con Conf.GetMinError(), es calculado mediante la siguiente formula

$Error=\sqrt{ \max_{i}\left\{ \begin{matrix} \vdots\\ \frac{\left||\mathbf{C}_{old-i}-\mathbf{C}_{i}\right||^2}{N}\\ \vdots\\ \end{matrix} \right\} }$

donde $\mathbf{C}_{i}$ es el i-esimo centroide.

Parámetros

[in,out]	Conf	Configuracion de las iteraciones.
[in]	IMG	Vector de N matrices con los datos (muestras) formados por los N elemento en la i-esima posicion de cada matriz.
[in]	K	Numero de clusters.
[out]	IDMAP	Vector de indices de los centroides al que pertenecen a cada muestra.

Devuelve: Los centroides en una matriz de K lineas.

Ejemplos: example_perceptron_kernel_gaussian_yinyang.cpp y example_perceptron_kernel_gaussian_yinyang2.cpp.

◆ Kmeans() [2/4]

Pds::Matrix Pds::Clustering::Kmeans	(	Pds::IterationConf &	Conf,
		const Pds::Matrix &	X,
		const Pds::Matrix &	C0,
		Pds::Array< unsigned int > &	ID
	)

Calculo de los centroides.

El error usado para comparar con Conf.GetMinError(), es calculado mediante la siguiente formula

$Error=\sqrt{ \max_{i}\left\{ \begin{matrix} \vdots\\ \frac{\left||\mathbf{C}_{old-i}-\mathbf{C}_{i}\right||^2}{N}\\ \vdots\\ \end{matrix} \right\} }$

donde $\mathbf{C}_{i}$ es el i-esimo centroide.

Pds::Clustering::Kmeans

Parámetros

[in,out]	Conf	Configuracion de las iteraciones.
[in]	X	Matriz con los vectores de datos (muestras) en las lineas.
[in]	C0	Centroides iniciales.
[out]	ID	Vector de indices de los centroides al que pertenece cada linea de X. El tamanho de ID será modificado.

Devuelve: Los centroides en una matriz de K lineas.

◆ Kmeans() [3/4]

Pds::Matrix Pds::Clustering::Kmeans	(	Pds::IterationConf &	Conf,
		const Pds::Matrix &	X,
		unsigned int	K,
		Pds::Array< unsigned int > &	ID
	)

Calculo de los centroides.

El error usado para comparar con Conf.GetMinError(), es calculado mediante la siguiente formula

$Error=\sqrt{ \max_{i}\left\{ \begin{matrix} \vdots\\ \frac{\left||\mathbf{C}_{old-i}-\mathbf{C}_{i}\right||^2}{N}\\ \vdots\\ \end{matrix} \right\} }$

donde $\mathbf{C}_{i}$ es el i-esimo centroide.

Pds::Clustering::Kmeans

Parámetros

[in,out]	Conf	Configuracion de las iteraciones.
[in]	X	Matriz con los vectores de datos (muestras) en las lineas.
[in]	K	Numero de clusters.
[out]	ID	Vector de indices de los centroides al que pertenece cada linea de X. El tamanho de ID será modificado.

Devuelve: Los centroides en una matriz de K lineas.

◆ Kmeans() [4/4]

Pds::Matrix Pds::Clustering::Kmeans	(	Pds::IterationConf &	Conf,
		const Pds::Matrix &	X,
		unsigned int	K
	)

Calculo de los centroides.

$Error=\sqrt{ \max_{i}\left\{ \begin{matrix} \vdots\\ \frac{\left||\mathbf{C}_{old-i}-\mathbf{C}_{i}\right||^2}{N}\\ \vdots\\ \end{matrix} \right\} }$

Pds::Clustering::Kmeans

Parámetros

[in]	Conf	Configuracion de las iteraciones.
[in]	X	Matriz con los vectores de datos (muestras) en las lineas.
[in]	K	Numero de clusters.

Devuelve: Los centroides en una matriz de K lineas.

Namespaces

Clustering : Kmeans cost

Clustering : Kmeans classification

Descripción detallada

Documentación de las funciones

◆ CostKmeans()

◆ Kmeans() [1/4]

◆ Kmeans() [2/4]

◆ Kmeans() [3/4]

◆ Kmeans() [4/4]

Enlaces de interés