２次元，２個／クラスのサンプルを与えた場合 ４クラスのデータを想定． x-means のオプション設定は kMin=2, kMax=5． データ： 1.0,1.0,label1 1.1,1.0,label1 4.0,1.0,label2 4.1,1.0,label2 1.0,4.0,label3 1.0,4.1,label3 4.0,4.0,label4 4.1,4.0,label4結果は，２個のクラスタと認識．クラスあたりのサンプルが少ないため，クラス内分散が大きめに評価されたのか？ Cluster centers : 2 centers Cluster 0 3.033333333333333 3.016666666666667 Cluster 1 1.05 1.0 Distortion: 3.874189 BIC-Value : -13.679484 Clustered Instanc

下記のプログラムに示すように，４クラスから成るデータに対して，クラスタ数の下限を２，上限を５として X-means 法によるクラスタリングを行った． （参考：下限・上限を指定しない場合のデフォルト値は「下限 2，上限 4」である） // 配列データを Weka のインスタンスとして x-means 法を適用する． /* test.txt の内容は以下のとおり．２次元空間において，４クラスから成ると想定する． ---------------------------- 1.0,1.0,label 1.1,1.0,label 1.0,1.1,label 4.0,1.0,label 4.1,1.0,label 4.1,1.1,label 1.0,4.0,label 1.0,4.1,label 1.1,4.1,label 4.0,4.0,label 4.1,4.0,label 4.1,4.1,lab

この記事はただのリンクまとめです． k-means法 クラスタ数(k)を固定してクラスタリングを行う． クラスタリングの定番アルゴリズム「K-means法」をビジュアライズしてみた - てっく煮ブログ x-means法 k=2によるクラスタリングを再帰的に行う． ベイズ情報量規準(BSI: Bayesian information criterion)が閾値を下回るまで試行する*1． BSI L:尤度関数 n:標本の大きさ，観測の数 k:母数，独立変数の数 Ã™ã‚¤ã‚ºæƒ…å ±é‡�è¦�準 - Wikipedia Bayesian information criterion - Wikipedia, the free encyclopedia*2 Use of the BIC for Selection of the Number of Sources BICとは - はて

前編 はこちらをご覧ください。 今回は鉄鋼・化学・繊維・ITサービス・食品・マスコミ・アパレルなど234社が対象。最高点を得たのは東レ。新日鉄、旭硝子、味の素なども高得点。逆に新聞・テレビ、アパレルは低い評価に。 カギは「アフリカ進出」の早さ 20年後に生き残っている企業はどこか---本誌では識者に有力535社の中から｢絶対に生き残っている会社｣｢努力すれば生き残れている会社｣を選んでもらい、それぞれに◎、○をつけてもらう大調査を実施した。「前篇」では、カード、百貨店、住宅業界などに◎がひとつもつかず、消費者金融にいたっては○さえゼロなどという結果を紹介し、大反響となった。 ブリヂストン、三菱商事、コマツなど将来有望な企業もあったが、「半数以上の会社がなくなる」という厳しい意見も出た。百年コンサルティング代表の鈴木貴博氏が振り返る。 「これから日本経済が抱える一番の問題は、2050年には1

SVM使って何かしたという論文は山ほどあるけど、十分実用的なアプリケーションでSVMが役立ってる例ってあるんだろうか。思うに、SVMの評価関数は、理解しやすいものではあるけれど、あんまり自然な感じのする代物ではない http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.3377 クラスタリングの方法は、色々あるけども、わたしの知る限り、ほとんどの方法では、事前にいくつのクラスターに分かれるか決める必要がある。クラスタリングしたい多くの状況で、いくつのクラスターに分かれるか事前には分からないというシチュエーションは山ほどあると思う。 ネットワークのクラスタリングには、Newman法とかあるらしいけど、x-meansはk-meansの最適なkを自動で決定するアルゴリズムであるらしい。やってることは単純で、k=2でk-meansを使

K-means法は、入力データからK個のランダムな個体を初期クラスタの中心として選択し、以降、クラスタの重心を移動させるステップを繰り返すことでクラスタリングを行う非階層的手法です。K-means法はシンプルで高速ですが、初期値依存が大きいのが弱点で、不適切な初期値選択をすると間違った解に収束してしまいます。 以下は、Introduction to Information Retrievalの16章に出てくる例です。 {d1, d2, ..., d6}をK=2でクラスタリングする場合、{{d1, d2, d4, d5}, {d3, d6}}が大域最適解ですが、初期クラスタの中心をd2, d5で与えると、{{d1, d2, d3}, {d4, d5, d6}}という誤った解に収束してしまいます。 この問題を改善するK-means++という手法を見つけたので、試してみました。 K-means+

K-means法によるクラスタリングでは、あらかじめクラスタ数Kを固定する必要があります。HatenarMapsでもK-means法を使っているのですが、クラスタ数は（特に根拠もなく）200個に決め打ちになっていました。 これに対して、X-means法というK-means法の拡張が提案されていることを知りました。X-means法を使うと、データに応じて最適なクラスタ数を推定できます。 K-means and X-means implementations http://www-2.cs.cmu.edu/~dpelleg/download/xmeans.pdf X-means法の考え方は、K=2で再帰的にK-means法を実行していくというもので、クラスタの分割前と分割後でBIC（ベイズ情報量規準）を比較し、値が改善しなくなるまで分割を続けます。 調べたところ、Javaのデータマイニングツー

firestorage.jp は個人、ビジネスを問わずご利用頂ける無料オンラインストレージです。 リモートワーク・テレワークでファイルを共有し送信・ファイル保存・データを送るのに便利、すぐにアップロード可能です。

php.iniファイルをひな形から作成する php.ini ファイルは最初から作成する必要はありません。用意されている雛形をコピーして作成し、後から必要な個所を変更して利用します。雛形となるファイルは PHP をインストールしたディレクトリに含まれている次の2つのファイルです。 php.ini-production ファイルは実際の本番環境で使用する場合に適した雛形で、 php.ini-production ファイルは開発環境で使用する場合に適した雛形となっています。 今回は php.ini-development ファイルの方を使ってみます。最初から作り直したい時のために php.ini-development ファイルはそのまま残しておき、コピーしたものを使用するようにして下さい。 php.ini-development ファイルをコピーし、ファイル名を php.ini に変更してくだ