我想将K均值(或任何其他简单聚类算法)应用于带有两个变量的数据,但我希望群集遵守一个条件:每个群集第三个变量的总和> some_value。 这可能吗?K意味着条件
K意味着条件
回答
符号:
- K是簇
的数量 - 让我们说,前两个变量是点coordinnates(X,Y)
- V表示第三可变
- 次:总和伏多个每个簇i的
- S的总和(和Ci)
- 和阈值T
问题定义:
从我所了解的目标是运行一种算法,在尊重约束的同时保持kmeans的精神。
任务1 - 基团由邻近点到质心[k均值]
任务2 - 为每个群集I,Cl> T * [约束]
普通k均值限制用于约束问题:
常规kmeans,通过以任意顺序将它们分配给质心。在我们的情况下,这会导致词的增长失控,同时增加点数。
例如,K = 2,T = 40和4点,第三个变量等于V1 = 50,V2 = 1,V3 = 50,V4 = 50。也 假设点P1,P3,P4更接近质心1点P2靠近质心2.
现在运行规则的k均值的assignement一步,并保持词的轨迹:
1--起飞点P1,将其分配到簇1. C1 = 50> T
2 - 取点P2,将其分配到簇2 C2 = 1
3 - 取点P3,将其分配到簇1。 => C1增长太多!
4--取P4点,分配给簇1. C1 = 150> T => !!!
修改k均值:
在前面,我们要防止增长过多C1和C2帮助成长。
这就像将香槟倒入几杯:如果你看到一杯香槟较少的杯子,你就去填充它。你这样做是因为你有约束:有限的champaigne(S有界)和因为你想要每个玻璃都有足够的香槟(Ci> T)。
当然这只是一个比喻。我们修改后的kmeans将以最小的Ci为集群添加新的分支,直到达到约束(Task2)。现在我们应该添加点数?靠近质心(Task1)。在所有集群i完成所有约束条件后,我们可以在剩余的未分配点上运行常规kmeans。
执行:
接下来,我给出了修改算法的python实现。图1显示了使用透明度来渲染大VS低值的第三个变量的复现。图2显示了使用颜色的演化群集。
你可以玩accept_thresh参数。请注意:
对于accept_thresh = 0 =>常规kmeans(立即达到约束)
对于accept_thresh = third_var.sum()。sum()/(2 * K),您可能会观察到某些点由于约束原因,更接近给定的质心会受到另一个质心的影响。
CODE:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
import time
nb_samples = 1000
K = 3 # for demo purpose, used to generate cloud points
c_std = 1.2
# Generate test samples :
points, classes = datasets.make_blobs(n_features=2, n_samples=nb_samples, \
centers=K, cluster_std=c_std)
third_var_distribution = 'cubic_bycluster' # 'uniform'
if third_var_distribution == 'uniform':
third_var = np.random.random((nb_samples))
elif third_var_distribution == 'linear_bycluster':
third_var = np.random.random((nb_samples))
third_var = third_var * classes
elif third_var_distribution == 'cubic_bycluster':
third_var = np.random.random((nb_samples))
third_var = third_var * classes
# Threshold parameters :
# Try with K=3 and :
# T = K => one cluster reach cosntraint, two clusters won't converge
# T = 2K =>
accept_thresh = third_var.sum().sum()/(2*K)
def dist2centroids(points, centroids):
'''return arrays of ordered points to each centroids
first array is index of points
second array is distance to centroid
dim 0 : centroid
dim 1 : distance or point index
'''
dist = np.sqrt(((points - centroids[:, np.newaxis]) ** 2).sum(axis=2))
ord_dist_indices = np.argsort(dist, axis=1)
ord_dist_indices = ord_dist_indices.transpose()
dist = dist.transpose()
return ord_dist_indices, dist
def assign_points_with_constraints(inds, dists, tv, accept_thresh):
assigned = [False] * nb_samples
assignements = np.ones(nb_samples, dtype=int) * (-1)
cumul_third_var = np.zeros(K, dtype=float)
current_inds = np.zeros(K, dtype=int)
max_round = nb_samples * K
for round in range(0, max_round): # we'll break anyway
# worst advanced cluster in terms of cumulated third_var :
cluster = np.argmin(cumul_third_var)
if cumul_third_var[cluster] > accept_thresh:
continue # cluster had enough samples
while current_inds[cluster] < nb_samples:
# add points to increase cumulated third_var on this cluster
i_inds = current_inds[cluster]
closest_pt_index = inds[i_inds][cluster]
if assigned[closest_pt_index] == True:
current_inds[cluster] += 1
continue # pt already assigned to a cluster
assignements[closest_pt_index] = cluster
cumul_third_var[cluster] += tv[closest_pt_index]
assigned[closest_pt_index] = True
current_inds[cluster] += 1
new_cluster = np.argmin(cumul_third_var)
if new_cluster != cluster:
break
return assignements, cumul_third_var
def assign_points_with_kmeans(points, centroids, assignements):
new_assignements = np.array(assignements, copy=True)
count = -1
for asg in assignements:
count += 1
if asg > -1:
continue
pt = points[count, :]
distances = np.sqrt(((pt - centroids) ** 2).sum(axis=1))
centroid = np.argmin(distances)
new_assignements[count] = centroid
return new_assignements
def move_centroids(points, labels):
centroids = np.zeros((K, 2), dtype=float)
for k in range(0, K):
centroids[k] = points[assignements == k].mean(axis=0)
return centroids
rgba_colors = np.zeros((third_var.size, 4))
rgba_colors[:, 0] = 1.0
rgba_colors[:, 3] = 0.1 + (third_var/max(third_var))/1.12
plt.figure(1, figsize=(14, 14))
plt.title("Three blobs", fontsize='small')
plt.scatter(points[:, 0], points[:, 1], marker='o', c=rgba_colors)
# Initialize centroids
centroids = np.random.random((K, 2)) * 10
plt.scatter(centroids[:, 0], centroids[:, 1], marker='X', color='red')
# Step 1 : order points by distance to centroid :
inds, dists = dist2centroids(points, centroids)
# Check if clustering is theoriticaly possible :
tv_sum = third_var.sum()
tv_max = third_var.max()
if (tv_max > 1/3 * tv_sum):
print("No solution to the clustering problem !\n")
print("For one point : third variable is too high.")
sys.exit(0)
stop_criter_eps = 0.001
epsilon = 100000
prev_cumdist = 100000
plt.figure(2, figsize=(14, 14))
ln, = plt.plot([])
plt.ion()
plt.show()
while epsilon > stop_criter_eps:
# Modified kmeans assignment :
assignements, cumul_third_var = assign_points_with_constraints(inds, dists, third_var, accept_thresh)
# Kmeans on remaining points :
assignements = assign_points_with_kmeans(points, centroids, assignements)
centroids = move_centroids(points, assignements)
inds, dists = dist2centroids(points, centroids)
epsilon = np.abs(prev_cumdist - dists.sum().sum())
print("Delta on error :", epsilon)
prev_cumdist = dists.sum().sum()
plt.clf()
plt.title("Current Assignements", fontsize='small')
plt.scatter(points[:, 0], points[:, 1], marker='o', c=assignements)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='o', color='red', linewidths=10)
plt.text(0,0,"THRESHOLD T = "+str(accept_thresh), va='top', ha='left', color="red", fontsize='x-large')
for k in range(0, K):
plt.text(centroids[k, 0], centroids[k, 1] + 0.7, "Ci = "+str(cumul_third_var[k]))
plt.show()
plt.pause(1)
改进:
- 使用第三可变的工作分配的分布。
- 管理算法
的分歧 - 更好的初始化(k均值++)
处理此问题的一种方法是在群集之前过滤数据。
>>> cluster_data = df.loc[df['third_variable'] > some_value]
>>> from sklearn.cluster import KMeans
>>> y_pred = KMeans(n_clusters=2).fit_predict(cluster_data)
如果和你的意思是每个集群的第三个变量的总和,那么你可以使用RandomSearchCV
找到KMeans
该做或不符合条件的超参数。
事实上,和我的意思是每个集群的第三个变量的总和,可以请您解释一点如何在这种情况下使用RandomSearchCV? –
@YahyaMortassim在我这样做之前,让我问你一个问题。您是否想要更改KMeans算法,或者您是否可以搜索一系列hyperparams并找到符合您的条件的算法? – spies006
我正在寻找改变KMeans算法 –
K-means本身就是一个优化问题。
您的附加约束也是一个相当常见的优化约束。
所以我宁愿用一个优化求解器来解决这个问题。
- 1. 蟒蛇K意味着群集阵列
- 2. MySQL查询条件意味着多于
- 3. 文本聚类:在k中选择k意味着
- 4. Apache K意味着WSSSE可以增加一些K吗?
- 5. %,这意味着
- 6. JavaScript中的竖条意味着什么?
- 7. '?'是什么意思?符号意味着在.htaccess重写条件?
- 8. 声明意味着
- 9. 差异意味着
- 10. 的Java + =意味着
- 11. K意味着多维数据的聚类
- 12. K意味着对数据进行聚类或排序
- 13. K意味着使用Mahout进行聚类
- 14. Spark堆栈空间错误运行K意味着EC2实例
- 15. K-意味着在外部函数调用错误
- 16. Weka简单K意味着处理名义属性
- 17. K的数据输入意味着用Scipy,Python进行聚类?
- 18. 在AngularJS中结尾意味着什么double意味着
- 19. 计算意味着处理NaN意味着
- 20. JPA条件JOIN:{oj ...}在SQL中意味着什么?
- 21. 多重条件覆盖是否意味着分支覆盖?
- 22. java - 什么||意味着在条件声明?
- 23. proc意味着打印条件统计信息
- 24. 什么是“x =?”意味着在SQL查询的条件?
- 25. 意味着堆栈文件上传
- 26. 列意味着多个文件
- 27. 什么在objc文件@class意味着
- 28. 矮胖接口意味着
- 29. typedef的变化意味着
- 30. PREEMPTIVE_XE_DISPATCHER这意味着什么?
非常感谢您的支持!这对我帮助很大。我也想第二个解决方案:基本上,它是这样的: - 没有约束 应用KMEANS - 留着备用满足约束 集群 - 组群不满足约束 - 运行KMEANS - 迭代 –
不客气。您的解决方案可能会取决于您在每次迭代中选择的k的值。但是请注意,对于算法的第3步,如果有N个不满足约束条件的集群,则无法在满足约束的N个集群中找到剩余点的新分区,因为全局数量SUM_over_points(third_variable)< N x阈值。因此,在步骤4('运行Kmeans'):你必须选择K严格地低于N的kmeans。 – MHICV
的确,在每次迭代中,我选择k = int(sum_over_points(third_value)/ threshold)。最后,我自然有一个不尊重约束的集群,但这是我可以做的最好的,以保持其他集群的显着性 –