聚类与matlab

我正在尝试对KDD1999 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.

这种格式有48000条不同的记录。我已经清理了数据，删除了只保留数字的文本。现在输出如下所示：

我在excel中创建了一个逗号分隔的文件，并保存为csv文件，然后在matlab中从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，预期有38列）

然而，集群看起来不像集群，或者它没有按照我需要的方式接受和工作

有人能帮我找到集群吗？我是matlab新手，所以没有任何经验，而且我对集群也是新手

方法：

选择的簇数（K）

初始化质心（从数据集中随机选择K个图案）

将每个图案指定给具有最近质心的簇

计算每个簇作为其新质心的平均值

重复步骤3，直到满足停止条件（没有模式移动到其他群集）

这就是我想要实现的目标：

这就是我得到的：

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)

---

由于您是机器学习/数据挖掘新手，因此不应该处理此类高级问题。毕竟，您正在使用的数据是在一场比赛（KDD杯'99）中使用的，所以不要指望它会很容易

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

这种类型的数据集需要大量的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-means等简单算法通常会产生较差的结果

首先，您需要将属性规格化为相同的比例：当计算欧几里德距离作为方法步骤3的一部分时，具有

239

和

486

等值的特征将主导其他具有

0.05

等较小值的特征，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（维度诅咒）。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…

真的不知道我做错了什么吗？您可以在代码中包含生成集群的部分吗？为什么这部分用“C”标记？