Шукаємо 2D штучні дані для демонстрації властивостей алгоритмів кластеризації

Я шукаю набори даних з двомірних точок даних (кожна точка даних є вектором двох значень (x, y)) за різними розподілами та формами. Код для створення таких даних також буде корисним. Я хочу використовувати їх для побудови / візуалізації ефективності роботи деяких алгоритмів кластеризації. Ось кілька прикладів:

• зірка, як хмарні дані
• чотири кластери, один легко відокремлений
• спіраль (без скупчення)
• кільце
• дві ледь відокремлені хмари
• два паралельних скупчення, що утворюють спіраль
• ... тощо

R поставляється з великою кількістю наборів даних, і, схоже, не було б великою справою відтворити більшість прикладів, які ви цитували, за допомогою кількох рядків коду. Також вам може бути корисний пакет mlbench , зокрема синтетичні набори даних, починаючи з mlbench.*. Деякі ілюстрації наведені нижче.

Ви знайдете додаткові приклади, переглянувши перегляд завдань кластера на CRAN. Наприклад, пакет fpc має вбудований генератор для кластеризованих наборів даних у формі обличчя ("обличчя" rFace).

Аналогічні міркування стосуються і Python, де ви знайдете цікаві еталонні тести та набори даних для кластеризації з scikit-learn .

У сховищі машинного навчання UCI також розміщено безліч наборів даних , але вам краще самостійно моделювати дані мовою на ваш вибір.

Ось кілька наборів даних, призначених саме для цього завдання:

Основний набір проблем кластеризації від Ultsch

Цей орієнтир групування іграшок містить різні набори даних у форматі ARFF (їх можна легко перетворити на CSV), здебільшого із основними позначками правдивості. Тест повинен підтвердити основні бажані властивості алгоритмів кластеризації. Більшість наборів даних надходить з кластерних паперів, таких як:

• БІРЧ - Чжан, Тянь, Рагу Рамакришнан і Мірон Лівний. "BIRCH: ефективний метод кластеризації даних для дуже великих баз даних." Запис ACM SIGMOD. Вип. 25. № 2. ОСББ, 1996.
• CURE - Гуа, Sudipto, Раджив Rastogi і Kyuseok Шим. "CURE: ефективний алгоритм кластеризації для великих баз даних." Запис ACM SIGMOD. Вип. 27. № 2. ОСББ, 1998.
• Хамелеон - Каріпіс, Джордж, Ей-Гон-Хан та Віпін Кумар. "Хамелеон: Ієрархічна кластеризація з використанням динамічного моделювання." Комп'ютер 32.8 (1999): 68-75.
• Основний набір проблем кластеризації - Ultsch, A .: Кластеризація з SOM: U * C, в Proc. Практикум з карт самоорганізації, Париж, Франція, (2005), стор. 75-82
• MOCK - Хендл, Джулія та Джошуа Ноулс. "Еволюційний підхід до багатообективного кластеризації". Еволюційні обчислення, транзакції IEEE 11.1 (2007): 56-76.
• Надійна спектральна кластеризація на основі контуру - Чанг, Гонг та Діт-Ян Йен. "Надійна спектральна кластеризація на основі шляху." Розпізнавання шаблонів 41.1 (2008): 191-203.

ELKI постачається з парою наборів даних (перевірте також одиничні тести, вони містять набагато більше, ніж ті, що є на веб-сайті, разом із параметрами параметрів).

Він також включає досить гнучкий генератор даних.

Ось налаштований генератор кластерів. Він стосується лише певного класу наборів даних, але він, безумовно, може бути використаний для дослідження кластерних алгоритмів.

Ось приклад типу кластерів, які він може створити:

Приналежність кластеру зберігається у текстовому файлі. Код є відкритим кодом за ліцензією MIT.

Цей скрипт Matlab генерує 2D дані для кластеризації. Він приймає кілька параметрів, так що згенеровані дані відповідають вимогам користувача.

Я не можу повірити, що ніхто не згадав дані Іриса Фішера.

Я не думаю, що я бачив методи кластеризації, які не використовують дані райдужки як приклад.

У г просто введіть "райдужка" для доступу до даних.

Ось приклад приємного (і типового) сюжету ірису: http://ygc.name/2011/12/24/ml-class-7-kmeans-clustering/