问题标签 [multi-dimensional-scaling]

我有几个包含 10 个点的 3D 位置的文件（如在相应图片中绘制的那样）。我想使用多维缩放来查找相似的排序并打印出不同的排序。例如，这里从文本文件 1、2 和 4 的排序完全一样，但与 3 不同。

输出

我目前正在对来自 Kaggle 的银行营销数据集的分类属性进行聚类。我用 kmodes 创建了三个集群：

输出：cluster_df

现在我想将集群的每一行可视化为投影或点，以便获得某种图像：

所需的可视化

我很难做到这一点。我没有得到分类数据的欧几里得距离，对吧？这是没有意义的。那么是否有可能创建这种所需的可视化？

如何在 main 外部声明一个 int 数组数组，然后在知道要构建的数组数组的长度（如果已知一维）后在 main 内部构建。

例如，如果数组应该是array[numberofargs][2]，其中维度2是已知的，但numberofargs在 main 执行之前不知道。

我知道多维缩放做了什么，但是如果数据像虹膜，而不是两个城市的距离，那么 MSD 图是什么意思？像 x 还是 y？

虹膜数据

我正在尝试按照以下帖子（多维缩放）中指定的方法从距离矩阵中获取 0 和 1 之间的 2D 坐标：

https://math.stackexchange.com/questions/156161/finding-the-coordinates-of-points-from-distance-matrix

python - 如何基于gram-matrix实现从python中的距离矩阵中查找点的坐标？

但是，当尝试实现它时，我得到一个错误，我很难找到这个错误的根源。这就是我正在做的事情：

这是距离矩阵（如您所见，最大距离为 1，因此所有点都可以在 0 和 1 之间）：

这是我进行多维缩放的地方：

我这样做是为了使所有点都在 0 和 1 之间：

一旦我有了一组应该满足距离矩阵的点，我就从这些点计算距离矩阵，看看它是否等于原始矩阵：

如你所见，如果我们将这个数组与文章开头的原始距离矩阵进行比较，矩阵的前项没有误差，但随着接近结尾，误差越来越大。如果距离矩阵比我在这个例子中使用的大，那么错误就会变得很大。

我不知道错误的根源是在计算 P 的函数中，还是函数“compute_dist_matrix”是问题所在。

你能找出错误的根源吗？或者，有没有更简单的方法来计算所有这些？也许某些库中的某些函数已经执行了这种转换。

我想把一个像这样的二维数组[ [x, y], [a, b], [z, e] ]变成[x, y, a, b, z, e] 我已经尝试过使用索引和 for 循环的多种东西，但它们中的大多数都不起作用，而做的那个非常错误和粗略我该怎么做我 c++ 我是初学者，我正在尝试学习矩阵

我有一个预先计算的距离矩阵，我已经通过 Sklearn 的 MDS 算法运行过。需要所有数据。矩阵已按比例缩放 (0-1)。我希望将分析转换为绘图，以便最大 n_components = 3。

我尝试修改几个参数（n_components、random_state、n_init），但是，我无法将压力 - 1（归一化）值降低到 0.25 以下，这被认为是“不良”拟合。

当我将 n_components 增加到非常高（n_components = 100）时，压力分数下降到 0.01。我是否可以采用这 100 个维度并使用 PCA 减少它们？

关于如何提高合身性的任何建议？我应该尝试不同的工具吗？

这是代码：

#预先计算的距离矩阵

df = pd.read_excel('./FTM_fingerprint_FULL_dissimilarity_matrix_MORGAN_1024_2.xlsx', index_col = 0, header = 0)

#多维缩放

mds1 = MDS(random_state = 1, dissimilarity = 'precomputed', n_init=16, n_components=3, eps=1e-9)

X_transform = mds1.fit_transform(df)

打印（X_transform）

#标准化压力分数

压力 = mds1.stress_

打印（压力）

谢谢

我正在尝试实现本文中的算法，这需要使用 MDS。更具体地说，它直接指定了 Shepard-Kruskal 算法的用法，并引用了 Kruskal 关于非度量 MDS 的论文。这当然似乎暗示了非度量 MDS 的使用。

MDS 文件

我的大部分困惑源于“距离”和“相异”这两个术语的看似不一致的用法，它们通常实际上暗示着同一件事。我的理解是，我的全维点之间的距离实际上X是MDS.fit_transform(). 但是，in 的init论点fit.transform()在其用法上并不明确。更具体地说，它声明它是起始配置（这当然是有道理的），但它定义了(n_samples,)对我来说没有意义的维度。我确实进一步查看了源代码本身，发现smacof()( smacof )，MDS 实际上将数据传递给的函数，指定了输入维度init作为（n_samples，n_components）。这可以解释为什么到目前为止，当我将 2D 数组交给它时，我的实现并没有中断。

假设我已经正确完成了所有准备工作，那么我在“Structuring Autoencoders”论文中实现算法的方式如下，

我是否错误地实施了sklearn MDS()？我是否正确理解了算法？

克鲁斯卡尔的论文：

“非度量多维标度：一种数值方法”Kruskal, J. Psychometrika, 29 (1964)”

“通过优化非度量假设的拟合优度来进行多维缩放”Kruskal, J. Psychometrika, 29, (1964)”

我正在做一个非度量多维尺度分析。分析结果产生了两个收敛的解决方案，并且输出看起来都不错，但是当我制作压力图来检查数据时，我得到的 r 平方为 1，这是我以前从未见过的，并且在这意味着什么的文献。应力图将不包含在最终手稿中，否则输出和 ordiplot 看起来不错。有没有人遇到过这种情况或知道这可能意味着什么？我将在下面包含代码和后续图。

NMDS 分析的应力图

我在使用 NMDS 时遇到了一些问题。我把我正在使用的代码放在这里。这段代码只给了我一条直线，而不是我应该看到我的曲线。我再次尝试了一位同事的数据，该数据实际上已经完成了所有工作。当我尝试使用她的数据时，我得到了一个类似的图，如果我继续分析，我不会得到她为 NMDS 得到的最终图。

可能是什么问题呢？

谢谢，