机器学习算法之K-means-spark
2017-06-16 11:02
316 查看
1 聚类
简单回顾一下:
首先,随机在点群中选取K个点,作为划分聚落的种子点;
然后,求点群中所有的点到这K个点的距离;
接下来,将离种子点近的点都移动到种子点附近;
最后,不断重复第二和第三步,直到没有点需要移动了。
以上只是一个概念的解释,我想这种问题还是必须看看公式才能清楚理解:
1、随机选取K个种子点,设为μ1......μk;
2、对点群中的每一个点计算公式:
argminj||xi−μj||,得到最小距离的那个种子点的J。
即该点属于K个类别中的cj类。
3、这次所有点都计算完毕就完事了吗?
当然不是了,毕竟种子点也是瞎选的,一般情况都不是最优的分类。所以需要迭代计算新聚落的质心。算出的质心又被拿出来当种子点继续重复第二步。
最后直到质心的位置基本不变为止,基本可以确定聚落情况。
2 聚类与EM
当我们在对点群进行聚类的时候,是不知道每个点的具体类别的。所以第一次我们指定x这个样本的类别假设为y。
通过极大似然估计,是可以衡量<
1fff7
nobr>(x,y)这个分类的可能性的。
所以现在可以先调节其他参数让当前条件下的极大似然P(x,y)的可能性最大。
y这个类别是我们随便选的,就算现在情况下可能性已经最好了,但是万一存在更好的分类y′,还可以使得P(x,y′)更大,那么就可以继续调节参数使得y′的P(x,y′)最大化。
这样反复迭代,直到没有更好的得y′存在。
y′:聚类界不允许有这么牛逼的y存在
3 EM算法
训练样本,就是上文中的点群x1,x2.....xm,假设各点之间是相互独立的,那么假设每个样本都一个隐含的类别ym。x点都是n维的向量,必须的。
在假设条件下求最大似然估计:
L(θ)=∑m1log∑yp(x,y;θ)
此时,想求解参数还有一个未知量y的存在,就算求了导数也是枉费。
于是EM假设每个样本类别都存在一个分布Qi。
在做一个简单等价:
L(θ)=∑m1log∑yp(xi,yi;θ)=∑m1log∑yQi(yi)p(xi,yi;θ)Qi(yi)≥∑i∑ziQi(yi)logp(xi,yi;θ)Qi(yi)
这个大于等于是根据一个叫做Jensen不等式得到的。
Jensen不等式就是严格凸函数的函数期望小于等于x期望做参数时的函数值。
等于符号成立的条件是参数x是常量。
现在问题变成求L(θ)的下界了。
那么等式成立的条件就是:
p(xi,yi;θ)Qi(yi)=C
又类别的分布满足:
∑iQi(yi)=1
于是综合可得:
∑ip(xi,yi;θ)=C
Qi(yi)=p(xi,yi;θ)∑ip(xi,yi;θ)=p(yi|xi;θ)
这样最小值也就E阶段完成了,要开始M阶段了。
M阶段做的就是1和2中说的迭代找到使P最大的θ.
4 聚类算法的Spark源码分析
4.1 参数配置
4.2 findClosest
返回被给点离的最近的那个种子点的index
这里首先有一个判断:
真正的欧拉距离公式:
(a1−a2)2+(b1−b2)2=a21+a22+b21+b22−2(a1a2+b1b2),先不开方;
不等式缩放一下:
a21+a22+b21+b22−2(a1a2+b1b2)≥a21+a22+b21+b22−2(a21+b21)(a22+b22)−−−−−−−−−−−−−−√=(a21+b21−−−−−−√−a22+b22−−−−−−√)2
如果(a21+b21−−−−−−√−a22+b22−−−−−−√)2都比最小距离大,那就不用再计算欧拉了。
其中比较关键的是:
简单回顾一下:
首先,随机在点群中选取K个点,作为划分聚落的种子点;
然后,求点群中所有的点到这K个点的距离;
接下来,将离种子点近的点都移动到种子点附近;
最后,不断重复第二和第三步,直到没有点需要移动了。
以上只是一个概念的解释,我想这种问题还是必须看看公式才能清楚理解:
1、随机选取K个种子点,设为μ1......μk;
2、对点群中的每一个点计算公式:
argminj||xi−μj||,得到最小距离的那个种子点的J。
即该点属于K个类别中的cj类。
3、这次所有点都计算完毕就完事了吗?
当然不是了,毕竟种子点也是瞎选的,一般情况都不是最优的分类。所以需要迭代计算新聚落的质心。算出的质心又被拿出来当种子点继续重复第二步。
最后直到质心的位置基本不变为止,基本可以确定聚落情况。
2 聚类与EM
当我们在对点群进行聚类的时候,是不知道每个点的具体类别的。所以第一次我们指定x这个样本的类别假设为y。
通过极大似然估计,是可以衡量<
1fff7
nobr>(x,y)这个分类的可能性的。
所以现在可以先调节其他参数让当前条件下的极大似然P(x,y)的可能性最大。
y这个类别是我们随便选的,就算现在情况下可能性已经最好了,但是万一存在更好的分类y′,还可以使得P(x,y′)更大,那么就可以继续调节参数使得y′的P(x,y′)最大化。
这样反复迭代,直到没有更好的得y′存在。
y′:聚类界不允许有这么牛逼的y存在
3 EM算法
训练样本,就是上文中的点群x1,x2.....xm,假设各点之间是相互独立的,那么假设每个样本都一个隐含的类别ym。x点都是n维的向量,必须的。
在假设条件下求最大似然估计:
L(θ)=∑m1log∑yp(x,y;θ)
此时,想求解参数还有一个未知量y的存在,就算求了导数也是枉费。
于是EM假设每个样本类别都存在一个分布Qi。
在做一个简单等价:
L(θ)=∑m1log∑yp(xi,yi;θ)=∑m1log∑yQi(yi)p(xi,yi;θ)Qi(yi)≥∑i∑ziQi(yi)logp(xi,yi;θ)Qi(yi)
这个大于等于是根据一个叫做Jensen不等式得到的。
Jensen不等式就是严格凸函数的函数期望小于等于x期望做参数时的函数值。
等于符号成立的条件是参数x是常量。
现在问题变成求L(θ)的下界了。
那么等式成立的条件就是:
p(xi,yi;θ)Qi(yi)=C
又类别的分布满足:
∑iQi(yi)=1
于是综合可得:
∑ip(xi,yi;θ)=C
Qi(yi)=p(xi,yi;θ)∑ip(xi,yi;θ)=p(yi|xi;θ)
这样最小值也就E阶段完成了,要开始M阶段了。
M阶段做的就是1和2中说的迭代找到使P最大的θ.
4 聚类算法的Spark源码分析
def run(data: RDD[Vector]): KMeansModel = { run(data, None) } private[spark] def run( data: RDD[Vector], instr: Option[Instrumentation[NewKMeans]]): KMeansModel = { #//cache的作用 if (data.getStorageLevel == StorageLevel.NONE) { logWarning("The input data is not directly cached, which may hurt performance if its" + " parent RDDs are also uncached.") } "// 计算 每一行的L2范数 val norms = data.map(Vectors.norm(_, 2.0)) #while (i < size) { # sum += values(i) * values(i) # i += 1 #} norms.persist()//cache val zippedData = data.zip(norms).map { case (v, norm) => new VectorWithNorm(v, norm) } val model = runAlgorithm(zippedData, instr) norms.unpersist() // Warn at the end of the run as well, for increased visibility. if (data.getStorageLevel == StorageLevel.NONE) { logWarning("The input data was not directly cached, which may hurt performance if its" + " parent RDDs are also uncached.") } model } /** * Implementation of K-Means algorithm. */ private def runAlgorithm( data: RDD[VectorWithNorm], instr: Option[Instrumentation[NewKMeans]]): KMeansModel = { val sc = data.sparkContext val initStartTime = System.nanoTime() val centers = initialModel match { case Some(kMeansCenters) =>//自己提供种子点 kMeansCenters.clusterCenters.map(new VectorWithNorm(_)) case None => if (initializationMode == KMeans.RANDOM) { initRandom(data)//随机初始化 } else { initKMeansParallel(data)//初始化方式k-means|| } } val initTimeInSeconds = (System.nanoTime() - initStartTime) / 1e9 logInfo(f"Initialization with $initializationMode took $initTimeInSeconds%.3f seconds.") var converged = false//是否收敛 var cost = 0.0 var iteration = 0 val iterationStartTime = System.nanoTime() instr.foreach(_.logNumFeatures(centers.head.vector.size)) // 计算每个样本离得最近的种子点,种子点累加样本的值和count,然后更新种子点 while (iteration < maxIterations && !converged) { val costAccum = sc.doubleAccumulator val bcCenters = sc.broadcast(centers)//centers通过sparkContext的broadcast函数进行广播, //最后在rdd的每一个partition的迭代时,使用这个广播变量. // Find the sum and count of points mapping to each center val totalContribs = data.mapPartitions { points => val thisCenters = bcCenters.value val dims = thisCenters.head.vector.size val sums = Array.fill(thisCenters.length)(Vectors.zeros(dims))//初始化为(thisCenters.length,dims)的全0矩阵 val counts = Array.fill(thisCenters.length)(0L) points.foreach { point => val (bestCenter, cost) = KMeans.findClosest(thisCenters, point)//对于每个点都找出离得最近的种子点 costAccum.add(cost) val sum = sums(bestCenter) axpy(1.0, point.vector, sum)//将每个聚落求和 counts(bestCenter) += 1 } counts.indices.filter(counts(_) > 0).map(j => (j, (sums(j), counts(j)))).iterator }.reduceByKey { case ((sum1, count1), (sum2, count2)) => axpy(1.0, sum2, sum1) (sum1, count1 + count2) }.collectAsMap() bcCenters.destroy(blocking = false) // 继续迭代,更新新的种子点 converged = true totalContribs.foreach { case (j, (sum, count)) => scal(1.0 / count, sum)//更新中心点,得到聚落新的质心 val newCenter = new VectorWithNorm(sum) if (converged && KMeans.fastSquaredDistance(newCenter, centers(j)) > epsilon * epsilon) {//判断newCenter与centers之间的距离是否 > epsilon * epsilon converged = false//大于设定值,那就是不收敛 } centers(j) = newCenter//质心位置基本不变了 } cost = costAccum.value iteration += 1 } val iterationTimeInSeconds = (System.nanoTime() - iterationStartTime) / 1e9 logInfo(f"Iterations took $iterationTimeInSeconds%.3f seconds.") if (iteration == maxIterations) { logInfo(s"KMeans reached the max number of iterations: $maxIterations.") } else { logInfo(s"KMeans converged in $iteration iterations.") } logInfo(s"The cost is $cost.") new KMeansModel(centers.map(_.vector)) }
4.1 参数配置
private[clustering] trait KMeansParams extends Params with HasMaxIter with HasFeaturesCol with HasSeed with HasPredictionCol with HasTol { //K-means中的K @Since("1.5.0") final val k = new IntParam(this, "k", "The number of clusters to create. " + "Must be > 1.", ParamValidators.gt(1)) /** @group getParam */ @Since("1.5.0") def getK: Int = $(k) /** 初始化聚落中心的方法:随机或者K-means|| */ @Since("1.5.0") final val initMode = new Param[String](this, "initMode", "The initialization algorithm. " + "Supported options: 'random' and 'k-means||'.", (value: String) => MLlibKMeans.validateInitMode(value)) /** @group expertGetParam */ @Since("1.5.0") def getInitMode: String = $(initMode) /** 针对K-means||的初始化方法的step */ @Since("1.5.0") final val initSteps = new IntParam(this, "initSteps", "The number of steps for k-means|| " + "initialization mode. Must be > 0.", ParamValidators.gt(0)) /** @group expertGetParam */ @Since("1.5.0") def getInitSteps: Int = $(initSteps) /** * Validates and transforms the input schema. * @param schema input schema * @return output schema */ protected def validateAndTransformSchema(schema: StructType): StructType = { SchemaUtils.checkColumnType(schema, $(featuresCol), new VectorUDT) SchemaUtils.appendColumn(schema, $(predictionCol), IntegerType) } }
4.2 findClosest
返回被给点离的最近的那个种子点的index
这里首先有一个判断:
真正的欧拉距离公式:
(a1−a2)2+(b1−b2)2=a21+a22+b21+b22−2(a1a2+b1b2),先不开方;
不等式缩放一下:
a21+a22+b21+b22−2(a1a2+b1b2)≥a21+a22+b21+b22−2(a21+b21)(a22+b22)−−−−−−−−−−−−−−√=(a21+b21−−−−−−√−a22+b22−−−−−−√)2
如果(a21+b21−−−−−−√−a22+b22−−−−−−√)2都比最小距离大,那就不用再计算欧拉了。
private[mllib] def findClosest( centers: TraversableOnce[VectorWithNorm], point: VectorWithNorm): (Int, Double) = { var bestDistance = Double.PositiveInfinity var bestIndex = 0 var i = 0 centers.foreach { center => // Since `\|a - b\| \geq |\|a\| - \|b\||`, we can use this lower bound to avoid unnecessary // distance computation. var lowerBoundOfSqDist = center.norm - point.norm lowerBoundOfSqDist = lowerBoundOfSqDist * lowerBoundOfSqDist if (lowerBoundOfSqDist < bestDistance) { val distance: Double = fastSquaredDistance(center, point) if (distance < bestDistance) { bestDistance = distance bestIndex = i } } i += 1 } (bestIndex, bestDistance) }
其中比较关键的是:
private[mllib] def fastSquaredDistance( v1: Vector, norm1: Double, v2: Vector, norm2: Double, precision: Double = 1e-6): Double = { val n = v1.size require(v2.size == n) require(norm1 >= 0.0 && norm2 >= 0.0) val sumSquaredNorm = norm1 * norm1 + norm2 * norm2//a_1^2+a_2^2+b_1^2+b_2^2 val normDiff = norm1 - norm2 var sqDist = 0.0 val precisionBound1 = 2.0 * EPSILON * sumSquaredNorm / (normDiff * normDiff + EPSILON)"//精度计算 if (precisionBound1 < precision) { sqDist = sumSquaredNorm - 2.0 * dot(v1, v2)//a_1^2+a_2^2+b_1^2+b_2^2-2(a_1a_2+b_1b_2) } else if (v1.isInstanceOf[SparseVector] || v2.isInstanceOf[SparseVector]) { val dotValue = dot(v1, v2) sqDist = math.max(sumSquaredNorm - 2.0 * dotValue, 0.0) val precisionBound2 = EPSILON * (sumSquaredNorm + 2.0 * math.abs(dotValue)) / (sqDist + EPSILON) if (precisionBound2 > precision) { sqDist = Vectors.sqdist(v1, v2)//(a_1-a_2)^2+(b_1-b_2)^2 } } else { sqDist = Vectors.sqdist(v1, v2) } sqDist }
相关文章推荐
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法之K-means-spark
- 机器学习算法(六)K-Means聚类、层次聚类、密度聚类、谱聚类
- 数据挖掘/机器学习算法--直接聚类算法(k-means)
- 机器学习算法 之 K-Means聚类
- KMeans on Spark
- 【机器学习算法】之K-means聚类
- 机器学习算法与Python实践之 k均值聚类(k-means)
- 数据挖掘/机器学习算法--直接聚类算法(k-means)
- SparkKMeans
- Python机器学习算法实践——k均值聚类(k-means)