Weka开发 —KMeans源码介绍

 本文转载自：http://www.chinakdd.com/portal.php?mod=view&aid=124975

 

以前介绍的都是分类的内容，这一次介绍聚类，以最简单的SimpleKMeans源码为例。

       分类中训练一个分类器是用buildClassifier()，在聚类中学习一个Clusterer是用buildCluster()。分类中分类一个样本是用classifyInstance，而在聚类中是用clusterInstance。那我怎么知道这些的呢？（或者说：你怎么知道我是不是在骗你呢？）以ID3为例，你可以看出它继承自Classifier类，进入Classifier类，它有三个比较重要的函数，buildClassifer, classifyInstance, distributionForInstance（这个应该讲过了）。那么如果你在看SimpleKMeans那么可以看它继承自RandomizableCluster，而RandomizableCluster又继承自AbstactCluter,进入AbstactCluster，它也有三个比较重要的函数，buildCluster, clusterInstance, distributionForInstance。关联规则的自己找。但所有的这些最初我是如何知道的呢？同学告诉我的，我也问过他最初如何知道的呢？他神秘地告诉我：源代码。

for (int j = initInstances.numInstances() - 1; j >= 0; j--) {

    instIndex = RandomO.nextInt(j + 1);

    hk = new DecisionTableHashKey(initInstances.instance(instIndex),

           initInstances.numAttributes(), true);

    if (!initC.containsKey(hk)) {

       m_ClusterCentroids.add(initInstances.instance(instIndex));

       initC.put(hk, null);

    }

    initInstances.swap(j, instIndex);

 

    if (m_ClusterCentroids.numInstances() == m_NumClusters) {

       break;

    }

}

以上是随机产生centroid的代码，也没什么特别之处，用RandomO产生一个index，如果这个index所指向的样本不是一个中心点了（用Hash表记录），把这个样本加入m_ClusterCentroids中，m_ClusterCentroids中保存的是所有中心点。最后一个if判断如果产生了用户最初设置的cluster的个数，break。

    for (i = 0; i < instances.numInstances(); i++) {

       Instance toCluster = instances.instance(i);

       int newC = clusterProcessedInstance(toCluster, true);

       if (newC != clusterAssignments[i]) {

           converged = false;

       }

       clusterAssignments[i] = newC;

    }

    对每一个样本，用clusterProcessedInstance函数判断它属于哪个cluster，它属于哪个cluster当然就是根据它离哪个centroid近来决定了，再判断新的cluster和以前的cluster是否一样，如果不一样，那么就还没有converge，clusterAssignments[i]是第i个样本属于某个cluster。

// update centroids

m_ClusterCentroids = new Instances(instances, m_NumClusters);

for (i = 0; i < m_NumClusters; i++) {

    tempI[i] = new Instances(instances, 0);

}

for (i = 0; i < instances.numInstances(); i++) {

    tempI[clusterAssignments[i]].add(instances.instance(i));

}

for (i = 0; i < m_NumClusters; i++) {

    if (tempI[i].numInstances() == 0) {

    // empty cluster

    emptyClusterCount++;

    } else {

       moveCentroid(i, tempI[i], true);

    }

}

以上代码是更新centroid，TempI[i]中保存的是所以当前属于第i个cluster的所有样本。最后一个for循环，如果tempI[i]中没有样本，那么记录有一个空cluster，如果tempI[i]中有样本，moveCentroid函数移动中心点。moveCentroid这个函数稍稍介绍一下，先看代码前的三句注释，我这里就不翻译了：

// in case of Euclidian distance the centroid is the mean point

// in case of Manhattan distance the centroid is the median point

// in both cases, if the attribute is nominal, the centroid is the mode

if (m_DistanceFunction instanceof EuclideanDistance

                  || members.attribute(j).isNominal()) {

    vals[j] = members.meanOrMode(j);

} else if (m_DistanceFunction instanceof ManhattanDistance) {

    // singleton special case

    if (members.numInstances() == 1) {

       vals[j] = members.instance(0).value(j);

    } else {

       sortedMembers.kthSmallestValue(j, middle + 1);

       vals[j] = sortedMembers.instance(middle).value(j);

       if (dataIsEven) {

           sortedMembers.kthSmallestValue(j, middle + 2);

    vals[j] = (vals[j] + sortedMembers.instance(middle +

1).value(j)) / 2;

       }

    }

}

    这里有一点我不太明白的是：为什么代码不用if和else把奇数，偶数分开，而是在偶数样本时计算两次，这种代码实在让我有点无法接受。有点需要解释的是为什么偶数的是时候用的是middle+2，这是因为这个coder在求middle的时候用的是(members.numInstances() - 1) / 2;这样如果是偶数实际求出来的middle就小1，另一点是因为数数是从0数起（讲这个有点污辱人了），所以是+2。这也是我吐血的一点，不就多写两行代码吗？何必把代码写的这么古怪。

对于每个属性，对于不同的距离公式，对于离散/连续属性，选择不同确定中心的方式。

    判断聚类是否结束，第一种是如果每一个样本（也就是第二段代码）都在上一次产生的cluster中，也就是converged，另一种是用户设计的一个m_MaxIterations，如果达到最大迭代次数，也结束。

再看一下clusterInstance函数，请注意，它最后调用的clusterProcessedInstance, 刚才提了一下这个函数，这里把核心代码列出来：

for (int i = 0; i < m_NumClusters; i++) {

    double dist = m_DistanceFunction.distance(instance,

       m_ClusterCentroids.instance(i));

    if (dist < minDist) {

       minDist = dist;

       bestCluster = i;

    }

}

讲这种代码，实在没什么意思，就是比较m_NumClusters个中心点，看instance与哪一个中心点近，作为bestCluster返回。