É possível especificar sua própria função de distância usando o K-Means Clustering do scikit-learn?


172

É possível especificar sua própria função de distância usando o K-Means Clustering do scikit-learn?


37
Observe que o k-means é projetado para a distância euclidiana . Pode parar de convergir com outras distâncias, quando a média não é mais a melhor estimativa para o "centro" do cluster.
— Quit - Anony-Mousse

2
por que o k-means funciona apenas com a distância euclidiana?
— curioso

9
@ Anony-Mousse É incorreto dizer que o k-means é projetado apenas para a distância euclidiana. Ele pode ser modificado para funcionar com qualquer métrica de distância válida definida no espaço de observação. Por exemplo, dê uma olhada no artigo sobre k-medoids .
— Ely

5
@curious: a média minimiza as diferenças ao quadrado (= distância euclidiana ao quadrado). Se você quiser uma função de distância diferente, precisará substituir a média por uma estimativa de centro apropriada. O K-medoids é um algoritmo desse tipo, mas encontrar o medóide é muito mais caro.
— Quit - Anony-Mousse

4
Um pouco relevante aqui: atualmente há uma solicitação de recebimento aberto implementando o Kernel K-Means. Quando terminar, você poderá especificar seu próprio kernel para o cálculo.
— jakevdp

Respostas:


77

Aqui estão alguns pequenos quilômetros que usam qualquer uma das 20 distâncias ímpares em scipy.spatial.distance ou uma função de usuário.
Os comentários seriam bem-vindos (até agora, apenas um usuário não foi suficiente); em particular, quais são suas métricas N, dim, k, métrica?

#!/usr/bin/env python
# kmeans.py using any of the 20-odd metrics in scipy.spatial.distance
# kmeanssample 2 pass, first sample sqrt(N)

from __future__ import division
import random
import numpy as np
from scipy.spatial.distance import cdist  # $scipy/spatial/distance.py
    # http://docs.scipy.org/doc/scipy/reference/spatial.html
from scipy.sparse import issparse  # $scipy/sparse/csr.py

__date__ = "2011-11-17 Nov denis"
    # X sparse, any cdist metric: real app ?
    # centres get dense rapidly, metrics in high dim hit distance whiteout
    # vs unsupervised / semi-supervised svm

#...............................................................................
def kmeans( X, centres, delta=.001, maxiter=10, metric="euclidean", p=2, verbose=1 ):
    """ centres, Xtocentre, distances = kmeans( X, initial centres ... )
    in:
        X N x dim  may be sparse
        centres k x dim: initial centres, e.g. random.sample( X, k )
        delta: relative error, iterate until the average distance to centres
            is within delta of the previous average distance
        maxiter
        metric: any of the 20-odd in scipy.spatial.distance
            "chebyshev" = max, "cityblock" = L1, "minkowski" with p=
            or a function( Xvec, centrevec ), e.g. Lqmetric below
        p: for minkowski metric -- local mod cdist for 0 < p < 1 too
        verbose: 0 silent, 2 prints running distances
    out:
        centres, k x dim
        Xtocentre: each X -> its nearest centre, ints N -> k
        distances, N
    see also: kmeanssample below, class Kmeans below.
    """
    if not issparse(X):
        X = np.asanyarray(X)  # ?
    centres = centres.todense() if issparse(centres) \
        else centres.copy()
    N, dim = X.shape
    k, cdim = centres.shape
    if dim != cdim:
        raise ValueError( "kmeans: X %s and centres %s must have the same number of columns" % (
            X.shape, centres.shape ))
    if verbose:
        print "kmeans: X %s  centres %s  delta=%.2g  maxiter=%d  metric=%s" % (
            X.shape, centres.shape, delta, maxiter, metric)
    allx = np.arange(N)
    prevdist = 0
    for jiter in range( 1, maxiter+1 ):
        D = cdist_sparse( X, centres, metric=metric, p=p )  # |X| x |centres|
        xtoc = D.argmin(axis=1)  # X -> nearest centre
        distances = D[allx,xtoc]
        avdist = distances.mean()  # median ?
        if verbose >= 2:
            print "kmeans: av |X - nearest centre| = %.4g" % avdist
        if (1 - delta) * prevdist <= avdist <= prevdist \
        or jiter == maxiter:
            break
        prevdist = avdist
        for jc in range(k):  # (1 pass in C)
            c = np.where( xtoc == jc )[0]
            if len(c) > 0:
                centres[jc] = X[c].mean( axis=0 )
    if verbose:
        print "kmeans: %d iterations  cluster sizes:" % jiter, np.bincount(xtoc)
    if verbose >= 2:
        r50 = np.zeros(k)
        r90 = np.zeros(k)
        for j in range(k):
            dist = distances[ xtoc == j ]
            if len(dist) > 0:
                r50[j], r90[j] = np.percentile( dist, (50, 90) )
        print "kmeans: cluster 50 % radius", r50.astype(int)
        print "kmeans: cluster 90 % radius", r90.astype(int)
            # scale L1 / dim, L2 / sqrt(dim) ?
    return centres, xtoc, distances

#...............................................................................
def kmeanssample( X, k, nsample=0, **kwargs ):
    """ 2-pass kmeans, fast for large N:
        1) kmeans a random sample of nsample ~ sqrt(N) from X
        2) full kmeans, starting from those centres
    """
        # merge w kmeans ? mttiw
        # v large N: sample N^1/2, N^1/2 of that
        # seed like sklearn ?
    N, dim = X.shape
    if nsample == 0:
        nsample = max( 2*np.sqrt(N), 10*k )
    Xsample = randomsample( X, int(nsample) )
    pass1centres = randomsample( X, int(k) )
    samplecentres = kmeans( Xsample, pass1centres, **kwargs )[0]
    return kmeans( X, samplecentres, **kwargs )

def cdist_sparse( X, Y, **kwargs ):
    """ -> |X| x |Y| cdist array, any cdist metric
        X or Y may be sparse -- best csr
    """
        # todense row at a time, v slow if both v sparse
    sxy = 2*issparse(X) + issparse(Y)
    if sxy == 0:
        return cdist( X, Y, **kwargs )
    d = np.empty( (X.shape[0], Y.shape[0]), np.float64 )
    if sxy == 2:
        for j, x in enumerate(X):
            d[j] = cdist( x.todense(), Y, **kwargs ) [0]
    elif sxy == 1:
        for k, y in enumerate(Y):
            d[:,k] = cdist( X, y.todense(), **kwargs ) [0]
    else:
        for j, x in enumerate(X):
            for k, y in enumerate(Y):
                d[j,k] = cdist( x.todense(), y.todense(), **kwargs ) [0]
    return d

def randomsample( X, n ):
    """ random.sample of the rows of X
        X may be sparse -- best csr
    """
    sampleix = random.sample( xrange( X.shape[0] ), int(n) )
    return X[sampleix]

def nearestcentres( X, centres, metric="euclidean", p=2 ):
    """ each X -> nearest centre, any metric
            euclidean2 (~ withinss) is more sensitive to outliers,
            cityblock (manhattan, L1) less sensitive
    """
    D = cdist( X, centres, metric=metric, p=p )  # |X| x |centres|
    return D.argmin(axis=1)

def Lqmetric( x, y=None, q=.5 ):
    # yes a metric, may increase weight of near matches; see ...
    return (np.abs(x - y) ** q) .mean() if y is not None \
        else (np.abs(x) ** q) .mean()

#...............................................................................
class Kmeans:
    """ km = Kmeans( X, k= or centres=, ... )
        in: either initial centres= for kmeans
            or k= [nsample=] for kmeanssample
        out: km.centres, km.Xtocentre, km.distances
        iterator:
            for jcentre, J in km:
                clustercentre = centres[jcentre]
                J indexes e.g. X[J], classes[J]
    """
    def __init__( self, X, k=0, centres=None, nsample=0, **kwargs ):
        self.X = X
        if centres is None:
            self.centres, self.Xtocentre, self.distances = kmeanssample(
                X, k=k, nsample=nsample, **kwargs )
        else:
            self.centres, self.Xtocentre, self.distances = kmeans(
                X, centres, **kwargs )

    def __iter__(self):
        for jc in range(len(self.centres)):
            yield jc, (self.Xtocentre == jc)

#...............................................................................
if __name__ == "__main__":
    import random
    import sys
    from time import time

    N = 10000
    dim = 10
    ncluster = 10
    kmsample = 100  # 0: random centres, > 0: kmeanssample
    kmdelta = .001
    kmiter = 10
    metric = "cityblock"  # "chebyshev" = max, "cityblock" L1,  Lqmetric
    seed = 1

    exec( "\n".join( sys.argv[1:] ))  # run this.py N= ...
    np.set_printoptions( 1, threshold=200, edgeitems=5, suppress=True )
    np.random.seed(seed)
    random.seed(seed)

    print "N %d  dim %d  ncluster %d  kmsample %d  metric %s" % (
        N, dim, ncluster, kmsample, metric)
    X = np.random.exponential( size=(N,dim) )
        # cf scikits-learn datasets/
    t0 = time()
    if kmsample > 0:
        centres, xtoc, dist = kmeanssample( X, ncluster, nsample=kmsample,
            delta=kmdelta, maxiter=kmiter, metric=metric, verbose=2 )
    else:
        randomcentres = randomsample( X, ncluster )
        centres, xtoc, dist = kmeans( X, randomcentres,
            delta=kmdelta, maxiter=kmiter, metric=metric, verbose=2 )
    print "%.0f msec" % ((time() - t0) * 1000)

    # also ~/py/np/kmeans/test-kmeans.py

Algumas notas adicionadas em 26 de março de 2012:

1) para a distância do cosseno, primeiro normalize todos os vetores de dados para | X | = 1; então

cosinedistance( X, Y ) = 1 - X . Y = Euclidean distance |X - Y|^2 / 2

é rápido. Para vetores de bits, mantenha as normas separadamente dos vetores em vez de expandir para flutuadores (embora alguns programas possam expandir para você). Para vetores esparsos, diga 1% de N, X. Y deve levar tempo O (2% N), espaço O (N); mas não sei quais programas fazem isso.

2) O cluster do Scikit-learn fornece uma excelente visão geral de k-means, mini-batch-k-means ... com código que funciona em matrizes scipy.sparse.

3) Sempre verifique os tamanhos dos clusters após k-médias. Se você está esperando clusters do mesmo tamanho, mas eles saem [44 37 9 5 5] %... (som de coçar a cabeça).


1
+1 Antes de tudo, obrigado por compartilhar sua implementação. Eu só queria confirmar que o algoritmo funciona muito bem para o meu conjunto de dados de 900 vetores em um espaço de 700 dimensões. Eu estava pensando se também é possível avaliar a qualidade dos clusters gerados. Algum dos valores do seu código pode ser reutilizado para calcular a qualidade do cluster para ajudar na seleção do número de clusters ideais?
— Legend

6
Lenda, de nada. (Atualizado o código para imprimir o raio de 50% / 90% do cluster). "Qualidade de cluster" é um tópico amplo: quantos clusters você possui, você tem amostras de treinamento com clusters conhecidos, por exemplo, de especialistas? No número de agrupamentos, ver SO como-se-i-determinar-k-ao-usando-K-means- -quando utilizando-k-meio-agrupamento
— Denis

1
Agradeço novamente. Na verdade, não tenho as amostras de treinamento, mas estou tentando verificar os clusters manualmente após a classificação (tentando desempenhar o papel de especialista em domínio também). Estou executando uma classificação no nível do documento após aplicar o SVD a alguns documentos originais e reduzir sua dimensão. Os resultados parecem bons, mas eu não tinha certeza de como validá-los. No estágio inicial, enquanto explorava várias métricas de validade de cluster, deparei-me com o método Index, Elbow, de Dunn, etc.
— Legend

7
Sei que isso está desenterrando algo realmente antigo, mas comecei a usar kmeans e me deparei com isso. Para futuros leitores tentados a usar esse código: confira primeiro os comentários do Anony-Mousse sobre a questão acima! Esta implementação, tanto quanto posso ver, está assumindo erradamente que você ainda pode usar a "média de pontos em um cluster" para determinar o centróide desse cluster. Isso não faz sentido para outra coisa senão a distância euclidiana (exceto em casos muito específicos na esfera unitária, etc ...). Novamente, os comentários de Anony-Mousse sobre a questão estão no nariz.
— Nevoris

3
@Nevoris, sim eu concordo, com exceção de distância cosseno: veja aqui por que, também por isso que-faz-k-médias-agrupamento-algoritmo-use-only-euclidiana distância métrica
— denis

43

Infelizmente não: a implementação atual do scikit-learn do k-means usa apenas distâncias euclidianas.

Não é trivial estender os meios-k a outras distâncias e a resposta de denis acima não é a maneira correta de implementar os meios-k para outras métricas.


26

Basta usar o nltk onde você pode fazer isso, por exemplo

from nltk.cluster.kmeans import KMeansClusterer
NUM_CLUSTERS = <choose a value>
data = <sparse matrix that you would normally give to scikit>.toarray()

kclusterer = KMeansClusterer(NUM_CLUSTERS, distance=nltk.cluster.util.cosine_distance, repeats=25)
assigned_clusters = kclusterer.cluster(data, assign_clusters=True)

4
Qual é a eficiência dessa implementação? Parece levar uma eternidade para agrupar apenas 5 mil pontos (na dimensão 100).
— você precisa saber é o seguinte

3
Na dimensão 100, o agrupamento de 1k pontos leva 1 segundo por execução ( repeats), 1,5k pontos leva 2 minutos e 2k leva ... muito tempo.
— você precisa saber é o seguinte

2
De fato; de acordo com o comentário do @ Anony-Mousse abaixo, parece que a distância do cosseno pode ter problemas de convergência. Para mim, esse é realmente um caso de lixo-em-lixo-fora: você pode usar qualquer função de distância que desejar, mas se essa função viola as suposições do algoritmo, não espere que ele produza resultados significativos!
— Chiraz BenAbdelkader

15

Sim, você pode usar uma função métrica de diferença; no entanto, por definição, o algoritmo de agrupamento k-means baseia-se na distância euclidiana da média de cada cluster.

Você pode usar uma métrica diferente, portanto, mesmo assim ainda calculando a média, poderá usar algo como a distância dos mahalnobis.


25
+1: Deixe-me enfatizar isso tomando a média só é adequado para determinadas funções de distância, tais como a distância euclidiana . Para outras funções de distância, você também precisará substituir a função de estimativa do centro de cluster!
— Quit - Anony-Mousse

2
@ Anony-Mousse. O que devo mudar quando uso a distância do cosseno, por exemplo?
— curioso

6
Eu não sei. Não vi uma prova de convergência com o Cosine. Acredito que convergirá se seus dados não forem negativos e normalizados para a esfera unitária, porque então são essencialmente k-means em um espaço vetorial diferente.
— Quit - Anony-Mousse

1
Eu concordo com @ Anony-Mousse. Para mim, este é apenas um caso de lixo-em-lixo-fora: você pode executar K-means com qualquer função de distância que desejar, mas se essa função viola as suposições subjacentes do algoritmo, não espere que ele produza significantes resultados!
— Chiraz BenAbdelkader

@ Anony-Mousse, mas como implementar o K-means usando a distância mahalnobis?
— Cecilia

7

Há pyclustering, que é python / C ++ (então é rápido!) E permite que você especifique uma função métrica personalizada

from pyclustering.cluster.kmeans import kmeans
from pyclustering.utils.metric import type_metric, distance_metric

user_function = lambda point1, point2: point1[0] + point2[0] + 2
metric = distance_metric(type_metric.USER_DEFINED, func=user_function)

# create K-Means algorithm with specific distance metric
start_centers = [[4.7, 5.9], [5.7, 6.5]];
kmeans_instance = kmeans(sample, start_centers, metric=metric)

# run cluster analysis and obtain results
kmeans_instance.process()
clusters = kmeans_instance.get_clusters()

Na verdade, eu não testei esse código, mas juntei-o de um código de exemplo e de ticket .


precisa Matplotlib instalado que precisa "Python como um quadro no Mac OS X" :(
— CpILL


3

O Sklearn Kmeans usa a distância euclidiana . Não possui parâmetro métrico. Dito isto, se você está agrupando série de tempo , você pode usar o tslearnpacote de python, quando você pode especificar uma métrica ( dtw, softdtw, euclidean).

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.