r - 大型数据集上的 R 中的 hclust()

Question

我正在尝试在 R 中实现层次聚类： hclust() ；这需要一个由 dist() 创建的距离矩阵，但我的数据集大约有一百万行，甚至 EC2 实例也用完了 RAM。有解决方法吗？

Answer 1

一种可能的解决方案是对数据进行采样，对较小的样本进行聚类，然后将聚类后的样本视为 k 最近邻的训练数据，并对其余数据进行“分类”。这是一个包含 110 万行的快速示例。我使用了 5000 个点的样本。原始数据没有很好的分离，但是只有1/220的数据，样本被分离了。既然你的问题提到了hclust，我就用了。但是您可以使用其他聚类算法，例如 dbscan 或均值偏移。

## Generate data
set.seed(2017)
x = c(rnorm(250000, 0,0.9), rnorm(350000, 4,1), rnorm(500000, -5,1.1))
y = c(rnorm(250000, 0,0.9), rnorm(350000, 5.5,1), rnorm(500000,  5,1.1))
XY = data.frame(x,y)
Sample5K = sample(length(x), 5000)     ## Downsample

## Cluster the sample
DM5K = dist(XY[Sample5K,])
HC5K = hclust(DM5K, method="single")
Groups = cutree(HC5K, 8)
Groups[Groups>4] = 4
plot(XY[Sample5K,], pch=20, col=rainbow(4, alpha=c(0.2,0.2,0.2,1))[Groups])

现在只需将所有其他点分配给最近的集群。

Core = which(Groups<4)
library(class)
knnClust = knn(XY[Sample5K[Core], ], XY, Groups[Core])
plot(XY, pch=20, col=rainbow(3, alpha=0.1)[knnClust])

一些快速的笔记。

1. 因为我创建了数据，所以我知道要选择三个集群。对于一个真正的问题，您将不得不找出适当数量的集群。
2. 采样 1/220 可能会完全遗漏任何小簇。在小样本中，它们看起来就像噪音。