知识卡片
双向聚类与BIMAX
前面的方法只对行(观测)聚类,列(变量)全部参与。双向聚类同时处理行与列,寻找「某些行在某些列上表现一致」的子矩阵,典型场景是基因×条件的表达矩阵、用户×商品的购买矩阵。在元素只取 0/1 的二分矩阵 E 上,一个双向类 (G,C) 是行子集 G⊆{1,…,n} 与列子集 C⊆{1,…,m} 的组合,要求子矩阵内所有 eij=1。单个 1 也算双向类,故 BIMAX 只保留最大包含(inclusion-maximal)类:不存在更大的类真包含它。算法两步:重排行列把 1 挤到右上角,再把矩阵切成两块,若某块全为 1 就作为结果返回,否则继续切;需从不同起点重复多次。它擅长先圈出全 0 区域并在后续分析中排除,稀疏矩阵下存储与时间开销都小。
结构图:
flowchart TD
A["二分矩阵 E"] --> B["重排行列,1 聚到右上"]
B --> C["切成两个子矩阵"]
C --> D{"子矩阵是否全为 1"}
D -- 是 --> E["输出双向类 (G,C)"]
D -- 否 --> F["继续切分"]
F --> C
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第8章 聚类分析
原书出处 · 1 处
- 第8章 聚类分析 · 查看原书依据
在该定义下,每个值为 1 的元素e ij 本身就代表一个双向类,但 BIMAX 寻找的是最大包含(inclusion-maximal)的类,即对任意一个类(G, C)={i∈G, j∈C:e ij=1},不存在另一个类(G′, C′),使得(G′, C′)⊂(G, C)
参考来源
- 位置:《大数据挖掘与统计机器学习》第8章 聚类分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter10_0004.xhtml,8.4 双向聚类)
- 结论依据:原文给出双向类的 (G,C) 定义、BIMAX 的最大包含判据与「重排—切分」两步算法,并说明它在稀疏矩阵上的优势。
- 原始内容:在该定义下,每个值为 1 的元素e ij 本身就代表一个双向类,但 BIMAX 寻找的是最大包含(inclusion-maximal)的类,即对任意一个类(G, C)={i∈G, j∈C:e ij=1},不存在另一个类(G′, C′),使得(G′, C′)⊂(G, C)