使用java做k均值聚类,在Ignite中使用k-均值聚类算法

在本系列前面的文章中，简单介绍了一下Ignite的k-最近邻(k-NN)分类算法，下面会尝试另一个机器学习算法，即使用泰坦尼克数据集介绍k-均值聚类算法。正好，Kaggle提供了CSV格式的数据集，而要分析的是两个分类：即乘客是否幸存。

为了将数据转换为Ignite支持的格式，前期需要做一些清理和格式化的工作，CSV文件中包含若干个列，如下：

乘客Id

幸存(0：否，1：是)

船票席别(1：一，2：二，3：三)

乘客姓名

性别

年龄

泰坦尼克号上的兄弟/姐妹数

泰坦尼克号上的父母/子女数

船票号码

票价

客舱号码

登船港口(C＝瑟堡，Q＝皇后镇，S＝南安普顿)

因此首先要做的是，删除任何和特定乘客有关的、和生存无关的列，如下：

乘客Id

乘客姓名

船票号码

客舱号码

接下来会删除任何数据有缺失的行，比如年龄或者登船港口，可以对这些值进行归类，但是为了进行初步的分析，会删除缺失的值。

最后会将部分字段转换为数值类型，比如性别会被转换为：

0：女

1：男

登船港口会被转换为：

0：Q(皇后镇)

1：C(瑟堡)

2：S(南安普顿)

最终的数据集由如下的列组成：

船票席别

性别

年龄

泰坦尼克号上的兄弟/姐妹数

泰坦尼克号上的父母/子女数

票价

登船港口

幸存

可以看到，幸存列已被移到最后。

下一步会将数据拆分为训练数据(80%)和测试数据(20%)，和前文一样，还是使用Scikit-learn来执行这个拆分任务。

准备好训练和测试数据后，就可以编写应用了，本文的算法是：

读取训练数据和测试数据；

在Ignite中保存训练数据和测试数据；

使用训练数据拟合k-均值聚类模型；

将模型应用于测试数据；

确定含混矩阵和模型的准确性。

读取训练数据和测试数据

通过下面的代码，可以从CSV文件中读取数据：

private static void loadData(String fileName, IgniteCache cache)

throws FileNotFoundException {

Scanner scanner = new Scanner(new File(fileName));

int cnt = 0;

while (scanner.hasNextLine()) {

String row = scanner.nextLine();

String[] cells = row.split(",");

double[] features = new double[cells.length - 1];

for (int i = 0; i < cells.length - 1; i++)

features[i] = Double.valueOf(cells[i]);

double survivedClass = Double.valueOf(cells[cells.length - 1]);

cache.put(cnt++, new TitanicObservation(features, survivedClass));

}

}

该代码简单地一行行的读取数据，然后对于每一行，使用CSV的分隔符拆分出字段，每个字段之后将转换成double类型并且存入Ignite。

将训练数据和测试数据存入Ignite

前面的代码将数据存入Ignite，要使用这个代码，首先要创建Ignite存储，如下：

IgniteCache trainData = getCache(ignite, "TITANIC_TRAIN");

IgniteCache testData = getCache(ignite, "TITANIC_TEST");

loadData("src/main/resources/titanic-train.csv", trainData);

loadData("src/main/resources/titanic-test.csv", testData);

getCache()的实现如下：

private static IgniteCache getCache(Ignite ignite, String cacheName) {

CacheConfiguration cacheConfiguration = new CacheConfiguration<>();

cacheConfiguration.setName(cacheName);

cacheConfiguration.setAffinity(new RendezvousAffinityFunction(false, 10));

IgniteCache cache = ignite.createCache(cacheConfiguration);

return cache;

}

使用训练数据拟合k-NN分类模型

数据存储之后，可以像下面这样创建训练器：

KMeansTrainer trainer = new KMeansTrainer()

.withK(2)

.withDistance(new EuclideanDistance())

.withSeed(123L);

这里k的值配置为2，表示有2个簇(幸存和未幸存)，对于距离测量，可以有多个选择，比如欧几里得、海明或曼哈顿，在本例中会使用欧几里得，另外，种子值赋值为123。

然后拟合训练数据，如下：

KMeansModel mdl = trainer.fit(

ignite,

trainData,

(k, v) -> v.getFeatures(),

// Feature extractor.

(k, v) -> v.getSurvivedClass()

// Label extractor.

);

Ignite将数据保存为键-值(K-V)格式，因此上面的代码使用了值部分，目标值是Survived类，特征在其它列中。

将模型应用于测试数据

下一步，就可以用训练好的分类模型测试测试数据了，可以这样做：

int amountOfErrors = 0;

int totalAmount = 0;

int[][] confusionMtx = {{0, 0}, {0, 0}};

try (QueryCursor> cursor = testData.query(new ScanQuery<>())) {

for (Cache.Entry testEntry : cursor) {

TitanicObservation observation = testEntry.getValue();

double groundTruth = observation.getSurvivedClass();

double prediction = mdl.apply(new DenseLocalOnHeapVector(observation.getFeatures()));

totalAmount++;

if ((int) groundTruth != (int) prediction)

amountOfErrors++;

int idx1 = (int) prediction;

int idx2 = (int) groundTruth;

confusionMtx[idx1][idx2]++;

System.out.printf(">>> | %.4f\t | %.0f\t\t\t|\n", prediction, groundTruth);

}

}

确定含混矩阵和模型的准确性

下面，就可以通过对测试数据中的真实分类和模型进行的分类进行对比，来确认模型的真确性。

代码运行之后，输出如下：

>>> Absolute amount of errors 56

>>> Accuracy 0.6084

>>> Precision 0.5865

>>> Recall 0.9873

>>> Confusion matrix is [[78, 55], [1, 9]]

这个初步的结果可不可以改进？可以尝试的是对特征的衡量，在Ignite和Scikit-learn中，可以使用MinMaxScaler()，然后会给出如下的输出：

>>> Absolute amount of errors 29

>>> Accuracy 0.7972

>>> Precision 0.8205

>>> Recall 0.8101

>>> Confusion matrix is [[64, 14], [15, 50]]

作为进一步分析的一部分，还应该研究幸存与否和年龄和性别之间的关系。

总结

通常来说，k-均值聚类并不适合监督学习任务，但是如果分类很容易，这个方法还是有效的。对于本例来说，关注的就是是否幸存。