机器学习算法复习--层次聚类

最新推荐文章于 2023-12-28 07:00:00 发布

weixin_34062329

最新推荐文章于 2023-12-28 07:00:00 发布

阅读量140

点赞数

文章标签：人工智能 matlab java

层次聚类算法与之前所讲的顺序聚类有很大不同，它不再产生单一聚类，而是产生一个聚类层次。说白了就是一棵层次树。介绍层次聚类之前，要先介绍一个概念——嵌套聚类。讲的简单点，聚类的嵌套与程序的嵌套一样，一个聚类中R₁包含了另一个R₂，那这就是R₂嵌套在R₁中，或者说是R₁嵌套了R₂。具体说怎么算嵌套呢？聚类R₁={{x₁,x₂},{x₃},{x₄,x₅}嵌套在聚类R₂={{x₁,x₂,x₃},{x₄,x₅}}中，但并不嵌套在聚类R₃={{x₁,x₄},{x₃},{x₂,x₅}}中。

层次聚类算法产生一个嵌套聚类的层次，算法最多包含N步，在第t步，执行的操作就是在前t-1步的聚类基础上生成新聚类。主要有合并和分裂两种实现。我这里只讲合并，因为前一阶段正好课题用到，另外就是合并更容易理解和实现。当然分裂其实就是合并的相反过程。

令g(C_i,C_j)为所有可能的X聚类对的函数，此函数用于测量两个聚类之间的近邻性，用t表示当前聚类的层次级别。通用合并算法的伪码描述如下：

1. 初始化：

a) 选择Â₀={{x₁},…,{x_N}}

b) 令t=0

2. 重复执行以下步骤：

a) t=t+1

b) 在Â_t_-1中选择一组(C_i,C_j)，满足

c) 定义C_q=C_iÈC_j，并且产生新聚类Â_t=(Â_t_-1-{C_i,C_j})È{C_q}

直到所有向量全被加入到单一聚类中。

这一方法在t层时将两个向量合并，那么这两个向量在以后的聚类过程中的后继聚类都是相同的，也就是说一旦它们走到一起，那么以后就不会再分离……（很专一哦O(∩_∩)O~）。这也就引出了这个算法的缺点，当在算法开始阶段，若出现聚类错误，那么这种错误将一直会被延续，无法修改。在层次t上，有N-t个聚类，为了确定t+1层上要合并的聚类对，必须考虑(N-t)(N-t-1)/2个聚类对。这样，聚类过程总共要考虑的聚类对数量就是(N-1)N(N+1)/6，也就是说整个算法的时间复杂度是O(N³)。

举例来说，如果令X={x₁, x₂, x₃, x₄, x₅}，其中x₁=[1, 1]^T, x₂=[2, 1]^T, x₃=[5,4]^T, x₄=[6, 5]^T, x₅=[6.5, 6]^T。那么合并算法执行的过程可以用下面的图来表示。

P(X)是不相似矩阵

该算法从核心过程上来讲，就是先计算出数据集中向量之间的距离，记为距离矩阵（也叫不相似矩阵）。接着通过不断的对矩阵更新，完成聚类。矩阵更新算法的伪码描述如下：

1. 初始化：

a) Â₀={{x₁},…,{x_N}}

b) P₀=P(X) (距离矩阵)

c) t=0

2. 重复执行以下步骤：

a) t=t+1

b) 合并C_i和C_j为C_q，这两个聚类满足d(C_i,C_j)=min_{r,s=1,…,N,r}_≠sd(C_r,C_s)

c) 删除第i和j行，第i和j列，同时插入新的行和列，新的行列为新合并的类C_q与所有其他聚类之间的距离值

直到将所有向量合并到一个聚类中

大家可以看到，层次聚类算法的输出结果总是一个聚类，这往往不是我们想要的，我们总希望算法在得到我们期望的结果后就停止。那么我们如何控制呢？常用的做法就是为算法限制一个阈值，矩阵更新过程中，总是将两个距离最近的聚类合并，那么我们只要加入一个阈值判断，当这个距离大于阈值时，就说明不需要再合并了，此时算法结束。这样的阈值引入可以很好的控制算法结束时间，将层次截断在某一层上。

2. 算法实现

MATLAB实现了层次聚类算法，基本语句如下：

X = [ 1 2 ; 2.5 4.5 ; 2 2 ; 4 1.5 ; 4 2.5 ] ;
2

Y = pdist(X, ' euclid ' );
3

Z = linkage(Y, ' single ' );
4

T = cluster(Z, ' cutoff ' ,cutoff);

MATLAB还有一个简化的层次聚类版本，一句话搞定

T = clusterdata(X,cutoff)

Java实现的版本：

package util;
2

import java.util. * ;
4

public class Clusterer {
6

private List[] clusterList;
7

DisjointSets ds;
8

private static final int MAX = Integer.MAX_VALUE;
9

private int n;
10

private int cc;
11

// private double ori[] = {1,2,5,7,9,10};
13

public Clusterer(int num) {
15

ds = new DisjointSets(num);
16

n = num;
17

cc = n;
18

clusterList = new ArrayList[num];
19

for (int i = 0; i < n; i++)
20

clusterList[i] = new ArrayList();
21

}
22

public List[] getClusterList() {
24

return clusterList;
25

}
26

public void setClusterList(List[] clusterList) {
28

this.clusterList = clusterList;
29

}
30

public void output() {
32

int ind = 1;
33

for (int i = 0; i < n; i++) {
34

clusterList[ds.find(i)].add(i);
35

}
36

for (int i = 0; i < n; i++) {
37

if (clusterList[i].size() != 0) {
38

System.out.print("cluster " + ind + " :");
39

for (int j = 0; j < clusterList[i].size(); j++) {
40

System.out.print(clusterList[i].get(j) + " ");
41

}
42

System.out.println();
43

ind++;
44

}
45

}
46

}
47

/**
49

* this method provides a hierachical way for clustering data.
50

*
51

* @param r
52

* denote the distance matrix
53

* @param n
54

* denote the sample num(distance matrix's row number)
55

* @param dis
56

* denote the threshold to stop clustering
57

*/
58

public void cluster(double[][] r, int n, double dis) {
59

int mx = 0, my = 0;
60

double vmin = MAX;
61

for (int i = 0; i < n; i++) { // 寻找最小距离所在的行列
62

for (int j = 0; j < n; j++) {
63

if (j > i) {
64

if (vmin > r[i][j]) {
65

vmin = r[i][j];
66

mx = i;
67

my = j;
68

}
69

}
70

}
71

}
72

if (vmin > dis) {
73

return;
74

}
75

ds.union(ds.find(mx), ds.find(my)); // 将最小距离所在的行列实例聚类合并
76

double o1[] = r[mx];
77

double o2[] = r[my];
78

double v[] = new double[n];
79

double vv[] = new double[n];
80

for (int i = 0; i < n; i++) {
81

double tm = Math.min(o1[i], o2[i]);
82

if (tm != 0)
83

v[i] = tm;
84

else
85

v[i] = MAX;
86

vv[i] = MAX;
87

}
88

r[mx] = v;
89

r[my] = vv;
90

for (int i = 0; i < n; i++) { // 更新距离矩阵
91

r[i][mx] = v[i];
92

r[i][my] = vv[i];
93

}
94

cluster(r, n, dis); // 继续聚类，递归直至所有簇之间距离小于dis值
95

}
96

/**
98

*
99

* @param r
100

* @param cnum
101

* denote the number of final clusters
102

*/
103

public void cluster(double[][] r, int cnum) {
104

/*if(cc< cnum)
105

System.err.println("聚类数大于实例数");*/
106

while (cc > cnum) {// 继续聚类，循环直至聚类个数等于cnum
107

int mx = 0, my = 0;
108

double vmin = MAX;
109

for (int i = 0; i < n; i++) { // 寻找最小距离所在的行列
110

for (int j = 0; j < n; j++) {
111

if (j > i) {
112

if (vmin > r[i][j]) {
113

vmin = r[i][j];
114

mx = i;
115

my = j;
116

}
117

}
118

}
119

}
120

ds.union(ds.find(mx), ds.find(my)); // 将最小距离所在的行列实例聚类合并
121

double o1[] = r[mx];
122

double o2[] = r[my];
123

double v[] = new double[n];
124

double vv[] = new double[n];
125

for (int i = 0; i < n; i++) {
126

double tm = Math.min(o1[i], o2[i]);
127

if (tm != 0)
128

v[i] = tm;
129

else
130

v[i] = MAX;
131

vv[i] = MAX;
132

}
133

r[mx] = v;
134

r[my] = vv;
135

for (int i = 0; i < n; i++) { // 更新距离矩阵
136

r[i][mx] = v[i];
137

r[i][my] = vv[i];
138

}
139

cc--;
140

}
141

}
142

143

public static void main(String args[]) {
144

double[][] r = { { 0, 1, 4, 6, 8, 9 }, { 1, 0, 3, 5, 7, 8 },
145

{ 4, 3, 0, 2, 4, 5 }, { 6, 5, 2, 0, 2, 3 },
146

{ 8, 7, 4, 2, 0, 1 }, { 9, 8, 5, 3, 1, 0 } };
147

Clusterer cl = new Clusterer(6);
148

//cl.cluster(r, 6, 1);
149

cl.cluster(r, 3);
150

cl.output();
151

}
152

153

}
154

3. 小结

层次聚类算法是非常常用的聚类算法，同时也是被广泛研究的聚类算法。层次聚类本身分为合并和分裂两种实现，在合并算法中，又分基于矩阵理论的合并和基于图论的合并。本文只是初学聚类的一点体会，因此只实现了基于矩阵理论的算法，同时，用于大数据集合的层次算法如CURE，ROCK和Chameleon算法都没有涉及，这些算法如果以后有时间，会整理发布。还有截断点的选择，最佳聚类数的确定都是可以研究的问题。