聚类和 matlab

Question

我正在尝试对 KDD 1999 cup 数据集中的一些数据进行聚类，

文件的输出如下所示：

0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,19,19,1.00,0.00,0.05,0.00,0.00,0.00,0.00,0.00,normal.

具有该格式的 48000 条不同记录。我已经清理了数据并删除了文本，只保留了数字。现在的输出如下所示：

我在 excel 中创建了一个逗号分隔的文件，然后另存为 csv 文件从matlab中的csv文件创建了一个数据源，我尝试通过matlab中的fcm工具箱运行它（findcluster输出38种数据类型，预计有38列）。

然而，这些集群看起来不像集群，或者它不接受并按照我需要的方式工作。

有人可以帮忙找到集群吗？我是 matlab 新手，所以没有任何经验，而且我对聚类也很陌生。

方法：

1. 选择簇数 (K)
2. 初始化质心（从数据集中随机选择 K 个模式）
3. 将每个模式分配给距离最近的质心的簇
4. 计算每个簇的平均值作为其新的质心
5. 重复步骤 3，直到满足停止条件（没有模式移动到另一个集群）

这就是我想要实现的目标：

这就是我的目标我得到：

load kddcup1.dat
plot(kddcup1(:,1),kddcup1(:,2),'o')  
[center,U,objFcn] = fcm(kddcup1,2);
Iteration count = 1, obj. fcn = 253224062681230720.000000
Iteration count = 2, obj. fcn = 241493132059137410.000000
Iteration count = 3, obj. fcn = 241484544542298110.000000
Iteration count = 4, obj. fcn = 241439204971005280.000000
Iteration count = 5, obj. fcn = 241090628742523840.000000
Iteration count = 6, obj. fcn = 239363408546874750.000000
Iteration count = 7, obj. fcn = 238580863900727680.000000
Iteration count = 8, obj. fcn = 238346826370420990.000000
Iteration count = 9, obj. fcn = 237617756429912510.000000
Iteration count = 10, obj. fcn = 226364785036628320.000000
Iteration count = 11, obj. fcn = 94590774984961184.000000
Iteration count = 12, obj. fcn = 2220521449216102.500000
Iteration count = 13, obj. fcn = 2220521273191876.200000
Iteration count = 14, obj. fcn = 2220521273191876.700000
Iteration count = 15, obj. fcn = 2220521273191876.700000

figure
plot(objFcn)
title('Objective Function Values')
xlabel('Iteration Count')
ylabel('Objective Function Value')

    maxU = max(U);
    index1 = find(U(1, :) == maxU);
    index2 = find(U(2, :) == maxU);
    figure
    line(kddcup1(index1, 1), kddcup1(index1, 2), 'linestyle',...
    'none','marker', 'o','color','g');
    line(kddcup1(index2,1),kddcup1(index2,2),'linestyle',...
    'none','marker', 'x','color','r');
    hold on
    plot(center(1,1),center(1,2),'ko','markersize',15,'LineWidth',2)
    plot(center(2,1),center(2,2),'kx','markersize',15,'LineWidth',2)

Answer 1

由于您是机器学习/数据挖掘的新手，因此您不应该解决此类高级问题。毕竟，您正在使用的数据是在比赛（KDD Cup'99）中使用的，所以不要指望这很容易！

此外，数据用于分类任务（监督学习），其目标是预测正确的类别（坏/好连接）。您似乎对聚类（无监督学习）感兴趣，这通常比较困难。

此类数据集需要大量预处理和巧妙的特征提取。人们通常利用领域知识（网络入侵检测）从原始数据中获取更好的特征。直接应用 K 均值等简单算法通常会产生较差的结果。

对于初学者，您需要将属性标准化为相同的比例：在方法的步骤 3 中计算欧氏距离时，具有诸如 239 和 486< 等值的特征/code> 将主导具有较小值（例如 0.05）的其他特征，从而破坏结果。

另一点要记住的是，太多的属性可能是一件坏事（维数灾难）。因此，您应该研究特征选择或降维技术。

最后，我建议您熟悉一个更简单的数据集......