modified: cluster.py

cluster.py

@@ -48,3 +48,28 @@ def classify(self, taginfo, srt_dens, min_num, maxid):
             if taginfo[i] == -1:
                 taginfo[i] = taginfo[min_num[i]]
         return taginfo
+
+    def analysis(self, centers, taginfo, distance, maxid):
+        '''
+        :rtype: plot cluster information
+        '''
+        num_centers = len(centers)
+        tmp = sorted(taginfo.items(), key=lambda k:k[1])
+        dvid_numbers = list()
+        for i in range(1, num_centers + 1):
+            cluster_i = list()
+            for pair in tmp:
+                if pair[1] == i:
+                    cluster_i.append(pair[0])
+            dvid_numbers.append(cluster_i)
+
+        for i in range(1, num_centers + 1):
+            cur_set = dvid_numbers[i - 1]
+            d = list(distance[(j, i)] for j in cur_set)
+            plt.stackplot(cur_set, d)
+            plt.xlabel('Point Number')
+            plt.ylabel('Distance to Center')
+            plt.title('Cluster No.{}'.format(i))
+            plt.savefig('./images/Cluster{}'.format(i))
+            plt.close()
+

others/report.md

@@ -50,9 +50,7 @@
 
 #### 2.2.2 Entropy
 
-对一个POP集$\{\varphi_1,\varphi_2,...,\varphi_n\}$，定义数据域的熵值$H=-\Sigma_{i=1}^n(\frac{\varphi_i}{Z})log(\frac{\varphi_i}{Z})$，熵值代表数据域的混乱度，我们需要求使得$H$最小的变量$\sigma$。
-
-下图直观展示了$H$随$\sigma$的变化趋势：
+对一个POP集$\{\varphi_1,\varphi_2,...,\varphi_n\}$，定义数据域的熵值$H=-\Sigma_{i=1}^n(\frac{\varphi_i}{Z})log(\frac{\varphi_i}{Z})$，熵值代表数据域的混乱度，我们需要求使得$H$最小的变量$\sigma$。 下图直观展示了$H$随$\sigma$的变化趋势：
 
 ![entropy](../images/entropy.png)
 
@@ -114,6 +112,12 @@ def classify(self, taginfo, srt_dens, min_num, maxid):
 
 ![cluster_gausse](../images/cluster_gausse.png)
 
+#### 2.3.2 聚类效果
+
+![Cluster6](../images/Cluster6.png)
+
+由之前的实验结果可知聚类中心共6个，简单对六个簇的分类情况进行的可视化，横坐标为点标号，纵坐标为点到聚类中心的距离。由于点的个数较多，故采用面积图，如上图所示是第六个簇的效果图。
+
 ## 3. 总结
 
 由于对距离定义未知，所以没有进行六类cluster的plot。文章中提到的聚类算法其实只实现了聚类中心的选择，在这基础上阅读了文章的增补内容，进行了聚类过程算法的补全，同时对截断距离的选取进行优化。在这基础之上还可以对聚类边界进行讨论，对离群点和交叉点进行划分。

setup.py

@@ -20,9 +20,10 @@ def main():
     center, tag = clust.locate_center(refer_info, maxid, threshold)
     taginfo = clust.classify(tag, sort_dst, min_num, maxid)
     print('Clustering done!')
-    # print(taginfo)
-    # gauss = solution.Guasse(dist, maxid, threshold)
-
+
+    # show each cluster results
+    clust.analysis(center, taginfo, dist, maxid)
+
     # show cluster distribution info
     temp = sorted(taginfo.items(), key=lambda k:k[1])
     y, x = zip(*temp)