【聚类】谱聚类解读、代码示例

【聚类】谱聚类详解、代码示例

1. 介绍

谱聚类的基本原理：

• 把所有数据看成空间中的点，这些点之间可以用变连接起；
• 距离较远的两个点之间的边权重较低，而距离较近的两个点之间的边权重较高；
• 通过对所有数据点组成的图进行切图，让切图后的不同的子图间边权重和尽可能小（即距离远），而子图内的边权重和尽可能高（即距离近）。

难点：

• 如何构建图？
• 如何切分图？

2. 方法解读

2.1 先验知识

2.1.1 无向权重图

2.1.2 拉普拉斯矩阵

2.2 构建图（第一步）

2.2.1 $ϵ$ 邻近法

2.2.2 k 近邻法

2.2.3 全连接法

比前两种方法，第三种方法所有的点之间的权重值都大于0，因此称之为全连接法。

• 可以选择不同的核函数来定义边权重，常用的有多项式核函数，高斯核函数和Sigmoid核函数。
• 最常用的是高斯核函数 RBF。
  

2.3 切图（第二步）

其中$\overline{{\text{A}}_i}$ 为 $\text{A}$ 的补集。

进而，如何切图使子图内的点权重高，子图之间的点权重低？

2.3.1 最小化 $\text{cut (A1, A2, . . . Ak)}$

一个自然的想法就是最小化 $\text{cut (A1, A2, . . . Ak)}$，但是可以发现，这种极小化的切图存在问题，如下图：

• 为了避免最小切图导致的切图效果不佳，我们需要对每个子图的规模做出限定；
• 一般来说，有两种切图方式，第一种是 RatioCut，第二种是 Ncut。

2.3.2 RatioCut 切图

对于每个切图，不仅要考虑最小化 $\text{cut (A1, A2, . . . Ak)}$，还要考虑最大化每个子图样本的个数，即最小化 RatioCut函数：

• 这里需要提一下，$h_i$是正交基，但并不是单位正交基，因为${h_i}^T{h}_i=\frac{1}{|A_j|}$，而不是1。但是不影响后面结论。

2.3.3 Ncut切图

3. 谱聚类流程

3.1 输入与输出

• 输入：样本集 $D=(x_1,x_2,...,x_n)$，邻接矩阵的生成方式，降维后的维度k1，聚类方法，聚类后的簇个数k2；
• 输出： 簇划分$C(c_1,c_2,...,c_{k2})$

3.2 一般流程

• 根据邻接矩阵生成方式构建邻接矩阵W，构建度矩阵D；
• 计算出拉普拉斯矩阵L；
• 构建标准化后的拉普拉斯矩阵$D^{-\frac{1}{2}}L{D}^{-\frac{1}{2}}$；
• ​计算$D^{-\frac{1}{2}}L{D}^{-\frac{1}{2}}$最小的k1个特征值所各自对应的特征向量f；
• 将各自对应的特征向量f组成的矩阵按行标准化，最终组成n × k1 维矩阵F；
• 对F 中的每一行作为一个k1维样本，共n个样本，用输入的聚类方法进行聚类，聚类个数为k2；
• 得到簇划分$C(c_1,c_2,...,c_{k2})$。

4. 代码演示

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn import cluster, datasets
from sklearn.preprocessing import StandardScaler

np.random.seed(0)

# 数据构造
n_samples = 1500
noisy_circles = datasets.make_circles(n_samples=n_samples, factor=0.2, noise=0.05)
noisy_moons = datasets.make_moons(n_samples=n_samples, noise=0.05)
blobs = datasets.make_blobs(n_samples=n_samples, random_state=8)

data_sets = [
    (noisy_circles, {"n_clusters": 3}),
    (noisy_moons, {"n_clusters": 2}), 
    (blobs, {"n_clusters": 3})
]
colors = ["#377eb8", "#ff7f00", "#4daf4a"]
affinity_list = ['rbf', 'nearest_neighbors']

plt.figure(figsize=(20, 15))

for i_dataset, (dataset, algo_params) in enumerate(data_sets):
    params = algo_params
    
    X, y = dataset
    X = StandardScaler().fit_transform(X)

    for i_affinity, affinity_strategy in enumerate(affinity_list):
        spectral = cluster.SpectralClustering(
            n_clusters=params['n_clusters'],
            eigen_solver='arpack', 
            affinity=affinity_strategy
        )

        spectral.fit(X)

        y_pred = spectral.labels_.astype(int)

        y_pred_colors = []

        for i in y_pred:
            y_pred_colors.append(colors[i])
        
        plt.subplot(3, 4, 4*i_dataset+i_affinity+1)
        plt.title(affinity_strategy)
        plt.scatter(X[:, 0], X[:, 1], color=y_pred_colors)

# plt.show()
plt.savefig("a.jpg")

5. 总结

• 优点：
  • 谱聚类只需要数据之间的邻接矩阵，因此对于处理稀疏数据的聚类很有效。这点传统聚类算法比如K-Means很难做到；
  • 由于使用了降维，因此在处理高维数据聚类时的复杂度比传统聚类算法好。
• 缺点：
  • 如果最终聚类的维度非常高，则由于降维的幅度不够，谱聚类的运行速度和最后的聚类效果均不好；
  • 聚类效果依赖于邻接矩阵，不同的邻接矩阵得到的最终聚类效果可能很不同。

6. 参考

【1】https://blog.csdn.net/qq_42735631/article/details/121010760