教程>聚集性信息瓶颈

这个聚合信息瓶颈（AIB）算法通过迭代合并离散数据，贪婪地压缩离散数据导致数据和类标签尽量减少。

在这里，我们测试AIB的识别问题高斯混合的最佳量化。本案例中的数据是二维的：

由三组分高斯混合生成的随机数据（类别标签用颜色表示）。

我们将这些数据量化在一个固定的格子上（如下图），并为每个类构造直方图。

f1=量化（X1、D、K）；f2=量化（X2，D，K）；f3=量化（X3，D，K）；Pcx（1，：）=vl_binum（Pcx，：），个（大小（f1）），f1）；Pcx（2，：）=vl_binum（Pcx，：），个（大小（f2）），f2）；Pcx（3，：）=vl_binum（Pcx，：），个（大小（f3）），f3）；

接下来，我们应用AIB：

[父母，成本]=vl_aib（Pcx）；

这为我们提供了每个列的父级列表在里面个人电脑，形成一棵合并树。我们现在可以“削减”这个树以获得任意数量的簇。

合并树的三个“剪切”，显示10个、3个和2个集群。这个灰色方块是树中没有任何数据点的节点它们被量化了。

请注意，生成的集群在中不必是连续的原始空间。