Я хочу сделать иерархическую агломерационную кластеризацию на текстах в MATLAB.Скажем, у меня есть четыре предложения:
I have a pen.
I have a paper.
I have a pencil.
I have a cat.
Я хочу объединить четыре вышеупомянутых предложения, чтобы увидеть, какие из них более похожи.Я знаю, что в панели инструментов статистики есть команда типа pdist для измерения парных расстояний, linkage для расчета сходства кластеров и т. Д. Простой код, такой как:
X=[1 2; 2 3; 1 4];
Y=pdist(X, 'euclidean');
Z=linkage(Y, 'single');
H=dendrogram(Z)
, работает нормально и возвращает дендрограмму.
Интересно, могу ли я использовать эти команды в текстах, как я упоминал выше?Какие-нибудь мысли ?
ОБНОВЛЕНИЯ:
Благодаря Amro.Прочитал Понял и вычислил расстояние между строками.Код следующий:
clc
S1='I have a pen'; % first String
f_id=fopen('events.txt','r'); %saved strings to compare with
events=textscan(f_id, '%s', 'Delimiter', '\n');
fclose(f_id); %close file.
events=events{1}; % saving the text read.
ii=numel(events); % selects one text randomly.
% store the texts in a cell array
for kk=1:ii
S2=events(kk);
S2=cell2mat(S2);
Z=levenshtein_distance(S1,S2);
X(kk)=Z;
end
Я ввел строку, и у меня было 4 сохраненных строки.Теперь я вычислил парное расстояние с помощью функции levenshtein_distance.Возвращает матрицу X=[ 17 0 16 18 16].
** Полагаю, это моя матрица парных расстояний.Подобно тому, что делает pdist.Это так?
** Теперь я пытаюсь ввести X для вычисления связи, как
Z=linkage(X, 'single);
Вывод, который я получаю:
Ошибка при использовании ==> linkage в 93 Размер Y не совместим с выходом функции PDIST.
Ошибка в ==> Untitled2 при 20 Z = linking (X, 'single').
Почему так?Можно ли вообще использовать функцию связывания?Помощь приветствуется.
ОБНОВЛЕНИЕ 2
clc
S1='I have a pen';
f_id=fopen('events.txt','r');
events=textscan(f_id, '%s', 'Delimiter', '\n');
fclose(f_id); %close file.
events=events{1}; % saving the text read.
ii=numel(events)+1; % total number of strings in the comparison
D=zeros(ii, ii); % initialized distance matrix;
for kk=1:ii
S2=events(kk);
%S2=cell2mat(S2);
for jk=kk+1:ii
D(kk,jk)= levenshtein_distance(S1{kk},S2{jk});
end
end
D = D + D'; %'# symmetric distance matrix
%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)
D = squareform(D, 'tovector');
T = linkage(D, 'single');
dendrogram(T).
Ошибка: ???Ссылка на содержимое ячейки из объекта массива не из ячеек.Ошибка в ==> Untitled2 в 22 D (kk, jk) = levenshtein_distance (S1 {kk}, S2 {jk});
Кроме того, почему я читаю событие из файла внутрипервый цикл?Не кажется логичным.Немного смущен, если я могу работать таким образом или единственное решение - ввести все строки внутри кода.Помощь высоко ценится.
ОБНОВЛЕНИЕ
код для сравнения двух предложений:
clc
str1 = 'Fire in NY';
str2= 'Jeff is sick';
D=levenshtein_distance(str1,str2);
D = D + D'; %'# symmetric distance matrix
%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)
%D = squareform(D, 'tovector');
T = linkage(D, 'complete');
[H,P] = dendrogram(T,'colorthreshold','default');
Выход D = 18.
С Различные строки:
clc
str1 = 'Fire in NY';
str2= 'NY catches fire';
D=levenshtein_distance(str1,str2);
D = D + D'; %'# symmetric distance matrix
%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)
%D = squareform(D, 'tovector');
T = linkage(D, 'complete');
[H,P] = dendrogram(T,'colorthreshold','default');
D = 28.
Исходя из расстояния, совершенно другое предложение выглядит похожим.Что я пытаюсь сделать, если я храню Fire в Нью-Йорке , я не буду хранить NY catches fire.Тем не менее, для первого случая, я бы сохранил, поскольку информация новая.
Достаточно ли LD для этого?Помощь оценена.