有规模限制的聚类算法

背景介绍：#

机器学习的聚类算法在很多场景中都有应用，比如用户群体的聚类，地址聚类等。但是，在实际问题中，我们的聚类问题常常是有类的规模限制的，比如我们需要创建几个等大的类，或者有最小类大小的限制等。

 

Github地址：

 https://github.com/jingw2/size_constrained_clustering

PyPI地址：

 https://pypi.org/project/size-constrained-clustering/  

 

方法介绍#

• Fuzzy C-means Algorithm: 和KMeans类似，不过利用了归属概率（membership probability）进行计算，而不是直接的0或者1
• Same Size Contrained KMeans Heuristics: 利用启发式的方法获取等大聚类结果
• Same Size Contrained KMeans Inspired by Minimum Cost Flow Problem：将聚类转换为分配问题，并用最小费用流的思路进行求解
• Minimum and Maximum Size Constrained KMeans Inspired by Minimum Cost Flow Problem：将聚类转换为分配问题，并用最小费用流的思路进行求解，加入最小和最大聚类规模限制
• Deterministic Annealling Algorithm: 输入目标每类规模比例，获得相应聚类规模的结果。
• Shrinkage Clustering: base algorithm and minimum size constraints：启发式缩减的方式获得聚类结果。

且支持聚类距离函数定义callback。由于现实问题，我们常常涉及的不是欧氏距离，而是经纬度距离等，因此本轮子支持自定义函数输入。

例子展示

初始化

?

1 2 3 4

# setup from size_constrained_clustering import fcm, equal, minmax, shrinkage # 默认都是欧式距离计算，可接受其它distance函数，比如haversine from sklearn.metrics.pairwise import haversine_distances

Fuzzy C-means

?

1 2 3 4 5 6 7 8 9 10 11

n_samples = 2000 n_clusters = 4 centers = [(-5, -5), (0, 0), (5, 5), (7, 10)] X, _ = make_blobs(n_samples=n_samples, n_features=2, cluster_std=1.0,                     centers=centers, shuffle=False, random_state=42) model = fcm.FCM(n_clusters) # 如果使用别的distance function，如haversine distance # model = fcm.FCM(n_clusters, distance_func=haversine_distances) model.fit(X) centers = model.cluster_centers_ labels = model.labels_

等大聚类

?

1 2 3 4 5 6 7 8 9 10

n_samples = 2000 n_clusters = 3 X = np.random.rand(n_samples, 2) # 使用minmax flow方式求解 model = equal.SameSizeKMeansMinCostFlow(n_clusters) # 使用heuristics方法求解 model = equal.SameSizeKMeansHeuristics(n_clusters) model.fit(X) centers = model.cluster_centers_ labels = model.labels_

　　

图中共2000个正态分布的点，聚成3类，分别有667，667和666个点。

最小和最大规模限制

?

1 2 3 4 5 6 7

n_samples = 2000 n_clusters = 3 X = np.random.rand(n_samples, 2) model = minmax.MinMaxKMeansMinCostFlow(n_clusters, size_min=400,   size_max=800) model.fit(X) centers = model.cluster_centers_ labels = model.labels_

获取结果聚类size分别为753, 645, 602

Deterministic Annealing

?

1 2 3 4 5 6 7 8

n_samples = 2000 n_clusters = 3 X = np.random.rand(n_samples, 2) # distribution 表明各cluster目标的比例 model = da.DeterministicAnnealing(n_clusters, distribution=[0.1, 0.6, 0.3]) model.fit(X) centers = model.cluster_centers_ labels = model.labels_

　　

获取的结果cluster size分别为：1200，600和200。对应比例为0.6, 0.3和0.1。

 

总结：代码可以直接拿过来用，但是由于其中的方法全部分开到其他的地方了，一个方法往往牵连很多个包，所以到现在都没怎么仔细看，其中setup.py是将.pyx文件转换成python解释器可以读取运行的文件,运营到服务器上直接导包，无法将方法带过来，需要在所有的导包之前操作一下

?

1 2	import pyximport pyximport.install()

这个放到代码最上面就ok, 别问我怎么知道的，问就是找了一天的bug, 专业采坑填坑