Chcę wykonać k oznacza analizę skupień na zestawie 10 punktów danych, z których każdy ma tablicę powiązanych z nimi 4 wartości liczbowych. Używam współczynnika korelacji Pearsona jako metryki odległości. Zrobiłem dwa pierwsze kroki k oznacza algorytm grupowania, który był:

1) Wybierz zestaw początkowych centrów k klastrów. [Wybrałem losowo dwa początkowe centra]

2) Przypisz każdy obiekt do klastra z najbliższym centrum. [Użyłem współczynnika korelacji Pearsona jako metryki odległości - patrz poniżej]

Teraz potrzebuję pomocy w zrozumieniu trzeciego kroku algorytmu:

3) Oblicz nowe centra klastrów:

gdzie X, w tym przypadku jest wektorem 4-wymiarowym, a n jest liczbą punktów danych w klastrze.

Jak mogę obliczyć C (S) dla następujących danych?

# Cluster 1
A   10  15  20  25  # randomly chosen centre
B   21  33  21  23
C   43  14  23  23
D   37  45  43  49
E   40  43  32  32

# Cluster 2
F  100  102 143 212 #random chosen centre
G  303  213 212 302
H  102  329 203 212
I  32   201 430 48
J  60   99  87  34

Ostatnim krokiem algorytmu k oznacza powtórzenie kroku 2 i 3, dopóki żaden obiekt nie zmieni klastra, co jest dość proste.

Potrzebuję pomocy w kroku 3. Obliczanie nowych centrów klastrów. Gdyby ktoś mógł przejść i wyjaśnić, jak obliczyć nowe centrum tylko jednego z klastrów, bardzo by mi to pomogło.