6

我知道凝聚聚类算法，它从每个数据点作为单独的集群开始，然后将点组合成集群。

现在，我有一个n维空间和几个数据点，这些数据点在每个维度上都有值。我想根据业务规则对两个点/集群进行聚类，例如：

  • 如果集群之间跨维度 1 的距离 < T1，跨维度 2 < T2，... 跨维度 n < Tn，则集群两个点 c1 和 c2。
  • 如果满足跨维度 1 的规则并且满足跨维度 2 的规则，则将它们聚类而不用担心其他维度......

.... 和类似的自定义规则。

此外，我有自己的方法来定义和测量任何特定维度中任何两个集群之间的距离。维度可能只包含字符串，我想定义自己的字符串距离度量。在另一个维度中，它可能包含位置的名称，并且沿该维度的两点之间的距离是所命名的位置之间的地理距离，其他维度也是如此。

是否有框架/软件可以让我实现这种定义自定义距离度量的方式，然后实现凝聚聚类？当然，当业务规则在任何时间点都不满足时，凝聚集群就停止了，最后我们在n维空间中形成了集群。

谢谢阿布舍克 S

4

2 回答 2

5

你可以用Weka做到这一点。

您必须实现一个距离函数，并使用该方法将其传递给层次setDistanceFunction(DistanceFunction distanceFunction)聚类器。

Weka 中其他可用的集群器是：Cobweb、EM、FarthestFirst、FilteredClusterer、MakeDensityBasedClusterer、RandomizableClusterer、RandomizableDensityBasedClusterer、RandomizableSingleClustererEnhancer、SimpleKMeans、SingleClustererEnhancer。

距离函数示例，来自NormalizableDistance类：

  /** Index in ranges for MIN. */
  public static final int R_MIN = 0;

  /** Index in ranges for MAX. */

  public static final int R_MAX = 1;

  /** Index in ranges for WIDTH. */
  public static final int R_WIDTH = 2;

  /** the instances used internally. */
  protected Instances m_Data = null;

  /** True if normalization is turned off (default false).*/
  protected boolean m_DontNormalize = false;

  /** The range of the attributes. */
  protected double[][] m_Ranges;

  /** The range of attributes to use for calculating the distance. */
  protected Range m_AttributeIndices = new Range("first-last");

  /** The boolean flags, whether an attribute will be used or not. */
  protected boolean[] m_ActiveIndices;

  /** Whether all the necessary preparations have been done. */
  protected boolean m_Validated;


public double distance(Instance first, Instance second, double cutOffValue, PerformanceStats stats) {
    double distance = 0;
    int firstI, secondI;
    int firstNumValues = first.numValues();
    int secondNumValues = second.numValues();
    int numAttributes = m_Data.numAttributes();
    int classIndex = m_Data.classIndex();

    validate();

    for (int p1 = 0, p2 = 0; p1 < firstNumValues || p2 < secondNumValues; ) {
      if (p1 >= firstNumValues)
        firstI = numAttributes;
      else
        firstI = first.index(p1); 

      if (p2 >= secondNumValues)
        secondI = numAttributes;
      else
        secondI = second.index(p2);

      if (firstI == classIndex) {
        p1++; 
        continue;
      }
      if ((firstI < numAttributes) && !m_ActiveIndices[firstI]) {
        p1++; 
        continue;
      }

      if (secondI == classIndex) {
        p2++; 
        continue;
      }
      if ((secondI < numAttributes) && !m_ActiveIndices[secondI]) {
        p2++;
        continue;
      }

      double diff;

      if (firstI == secondI) {
        diff = difference(firstI,
                  first.valueSparse(p1),
                  second.valueSparse(p2));
        p1++;
        p2++;
      }
      else if (firstI > secondI) {
        diff = difference(secondI, 
                  0, second.valueSparse(p2));
        p2++;
      }
      else {
        diff = difference(firstI, 
                  first.valueSparse(p1), 0);
        p1++;
      }
      if (stats != null)
        stats.incrCoordCount();

      distance = updateDistance(distance, diff);
      if (distance > cutOffValue)
        return Double.POSITIVE_INFINITY;
    }

    return distance;
  }

表明您可以分别处理各个维度（在 Weka 中称为属性）。因此，您可以为每个维度/属性定义不同的距离。

关于避免将某些实例聚集在一起的业务规则。我认为您可以创建一个Double.positiveInfinity在不满足业务规则时返回的距离函数。

于 2012-05-27T13:52:20.533 回答
2

ELKI是另一种选择。它比 Weka 拥有更多的聚类算法（主要用于分类）。他们甚至有一个 Wiki Tutorial 解释如何实现自定义距离函数（然后你应该能够在层次聚类中使用它）： distance function tutorial。

请注意，“业务规则”不是指定距离函数的一种非常常见的方式......

于 2012-05-30T15:32:39.367 回答