KMeans聚类实验：EEG数据的情感类别与subjectID分析（ARI 0.002）

本次聚类作业主要探讨了两种常用的聚类算法——KMeans和GaussianMixture在EEG数据集上的应用。该数据集包含533个脑电信号，每个信号由160维特征组成，涵盖了subjectID、videoID、emotioncategory、valence和arousal五个标记。实验目标是理解算法参数如何影响聚类结果，以及聚类结果与原始标签之间的关联。 实验过程中，首先对特征数据进行了标准化处理，然后使用KMeans和GaussianMixture分别设置不同的聚类个数，对应于情绪类别（9个）、subjectID（27个）、videoID（20个）以及valence和arousal（各2种）的已知状态。为了减少随机性的影响，每种算法都进行了10次迭代，通过内部指标（如DBI指数、类内误差平均值）和外部指标（调整后的Rand指数，ARI）来评估聚类效果。ARI越大，表示聚类一致性越好，DBI指数和类内误差越小则表明聚类质量越高。 KMeans的实验结果显示，对于emotioncategory，外部指标ARI为0.0020467，这是一个相对较低的值，表明KMeans在此任务中的表现有待提高。内部指标如avgcenterdistance为34.66，DBI为1.50，stress值较大，这可能意味着在2维降维后存在较大的数据点间距离偏差。而SubjectID的聚类性能明显更好，外部指标ARI达到0.7924，内部指标avgcenterdistance较小，显示出在subjectID识别上KMeans的效果较为显著。 GaussianMixture的结果未在文中给出，但从KMeans的部分可以推测，可能需要对比两者在不同指标下的优劣，以便选择最合适的聚类算法。此外，通过MDS（多维尺度）方法将高维数据可视化，有助于直观地理解聚类结果的空间分布和类别间的区分度。 总结来说，本实验旨在通过实际操作深入了解聚类算法在复杂EEG数据上的表现，特别是关注算法参数的选择、聚类效果的评估以及不同类别间的区别。同时，它还展示了在处理具有多标签的脑电信号数据时，如何通过多种指标综合评估聚类性能，并优化参数以提升聚类准确性和稳定性。