Weka算法Clusterers-DBSCAN源代码分析

Weka算法Clusterers-DBSCAN源代码分析

大家好,又见面了,我是全栈君。

假设说世界上仅仅能存在一种基于密度的聚类算法的话。那么它必须是DBSCAN(Density-based spatial clustering of applications with noise)。DBSCAN作为基于密度聚类算法的典型,相对于Kmeans,最大长处是能够自己决定聚类数量。同一时候能够过滤一些噪点。但相对的。对传入的參数较为敏感,而且參数调优全靠经验。


一、算法

对于算法部分仅仅做一些”感性“的分析。详细算法的理论证明以及更精确的形式化描写叙述參考Wiki:http://en.wikipedia.org/wiki/DBSCAN

DBSCAN算法相对于简单,仅仅要弄清几个概念,算法本身是水到渠成的。

(1)几个变量

领域半径e,最小数目minOpt

(2)几个名词

核心对象:若一个对象其领域半径e内的对象数量大于等于minOpt,则称该对象为核心对象。

直接密度可达:若一个核心对象p,其领域半径内有若干点q,则对于每个q有q从对象p直接密度可达。

(3)算法流程

主流程:输入e,minOpt以及对象集合n

I、找到一个未标记的核心对象k,并设此对象为已标记。若找不到核心对象直接退出

II、扩展此核心对象,expand(k)

III、若全部对象均已标记,则退出,否则转I

expand流程:输入核心对象k

I、初始化一个集合S。放入k

II、遍历该集合元素。对于集合中每个核心对象,找到其全部未标记的的密度可达对象,放入集合S,并设为已标记

III、若II没有增加不论什么新对象。则退出。否则转II


在分析Weka的实现时。除了代码本身,着重关心下面几点:

(1)是否使用了特殊的数据结构来提高效率

(2)缺失值的处理

(3)噪声的处理

(4)其他实现技巧

(5)和原始DBSCAN不同之处


二、SequentialDatabase类

在分析详细的buildClusterer方法之前,先分析SequentialDatabase类,该类是DBSCAN方法用到的一个辅助类。封装一个instance并暴露一些定制的查询操作。

(1)epsilonRangeQuery,该函数用于查找离一个给定对象queryDataObject距离epsilon之内的全部对象

public List epsilonRangeQuery(double epsilon, DataObject queryDataObject) {
        ArrayList epsilonRange_List = new ArrayList();
        Iterator iterator = dataObjectIterator();
        while (iterator.hasNext()) {
            DataObject dataObject = (DataObject) iterator.next();
            double distance = queryDataObject.distance(dataObject);//默认的。距离计算器是欧式距离
            if (distance < epsilon) {
                epsilonRange_List.add(dataObject);
            }
        }

        return epsilonRange_List;
    }

能够看出该函数遍历了全部的对象。因此时间复杂度为O(n)

(2)返回一个List,当中Index0是距离近期的k个对象。index1是小于epsilon距离的对象

 public List k_nextNeighbourQuery(int k, double epsilon, DataObject dataObject) {
        Iterator iterator = dataObjectIterator();

        List return_List = new ArrayList();
        List nextNeighbours_List = new ArrayList();
        List epsilonRange_List = new ArrayList();

        PriorityQueue priorityQueue = new PriorityQueue();

        while (iterator.hasNext()) {
            DataObject next_dataObject = (DataObject) iterator.next();
            double dist = dataObject.distance(next_dataObject);

            if (dist <= epsilon) epsilonRange_List.add(new EpsilonRange_ListElement(dist, next_dataObject));

            if (priorityQueue.size() < k) {
                priorityQueue.add(dist, next_dataObject);
            } else {
                if (dist < priorityQueue.getPriority(0)) {
                    priorityQueue.next(); //把最大距离的移除,来实现一个固定长度的队列
                    priorityQueue.add(dist, next_dataObject);
                }
            }
        }

        while (priorityQueue.hasNext()) {
            nextNeighbours_List.add(0, priorityQueue.next());//将优先队列写到list中,每次都加入到index0能够看出这个List是个升序list。

} return_List.add(nextNeighbours_List); return_List.add(epsilonRange_List); return return_List; }

这个函数的设计必须吐槽:第一基于约定的编程,约定了Index0和index1的数据。而且还约定了当中的list所存储的对象。还约定了优先队列中元素升序排列,使得这个函数重用性及其之低。

第二和epsilonRangeQuery相比有部分反复的地方(但又不能调用epsilonRangeQuery,由于调用了相当于全部对象遍历两次)。

(3)coreDistance。该函数不仅返回了上面函数的list,还加入了index3为离得最远的而且小于epsilon的对象。

public List coreDistance(int minPoints, double epsilon, DataObject dataObject) {
        List list = k_nextNeighbourQuery(minPoints, epsilon, dataObject);

        if (((List) list.get(1)).size() < minPoints) {
            list.add(new Double(DataObject.UNDEFINED));
            return list;
        } else {
            List nextNeighbours_List = (List) list.get(0);
            PriorityQueueElement priorityQueueElement =
                    (PriorityQueueElement) nextNeighbours_List.get(nextNeighbours_List.size() - 1);
            if (priorityQueueElement.getPriority() <= epsilon) {
                list.add(new Double(priorityQueueElement.getPriority()));
                return list;
            } else {
                list.add(new Double(DataObject.UNDEFINED));
                return list;
            }
        }
    }

三、buildClusterer

接着从buildClusterer说起,该函数是全部聚类器的入口。用于使用已知样本训练一个聚类器。

函数本身是比較简单的。

  public void buildClusterer(Instances instances) throws Exception {
        // 先測一下这个Instance是否能用dbscan进行聚类。dbscan差点儿可处理全部的类型(枚举、日期、数值、missingValue)
        getCapabilities().testWithFail(instances);

        long time_1 = System.currentTimeMillis();

        processed_InstanceID = 0;
        numberOfGeneratedClusters = 0;
        clusterID = 0;

        replaceMissingValues_Filter = new ReplaceMissingValues();
        replaceMissingValues_Filter.setInputFormat(instances);
        Instances filteredInstances = Filter.useFilter(instances, replaceMissingValues_Filter);

        database = databaseForName(getDatabase_Type(), filteredInstances);
        for (int i = 0; i < database.getInstances().numInstances(); i++) {
            DataObject dataObject = dataObjectForName(getDatabase_distanceType(),
                    database.getInstances().instance(i),
                    Integer.toString(i),
                    database);
            database.insert(dataObject);//插入到数据库
        }
        database.setMinMaxValues();

        Iterator iterator = database.dataObjectIterator();
        while (iterator.hasNext()) {//对于全部节点进行迭代并非最高效的,假设使用一个变量记录当前unclassfied的数量,当为0的时候直接退出更为高效一些,尽管时间复杂度没有变化。

DataObject dataObject = (DataObject) iterator.next(); if (dataObject.getClusterLabel() == DataObject.UNCLASSIFIED) { if (expandCluster(dataObject)) {//假设某个点未标记,则尝试进行扩展 clusterID++; numberOfGeneratedClusters++; } } } long time_2 = System.currentTimeMillis(); elapsedTime = (double) (time_2 - time_1) / 1000.0;//非常奇怪,weka的实现具有不同的编程风格,起码以往的聚类器或者分类器。并没有直接在训练函数中来计算所用时间。

}


四、expandCluster

扩展核心节点为一个簇的主函数,若成功扩展返回true,否则返回false,例如以下:

private boolean expandCluster(DataObject dataObject) {
        List seedList = database.epsilonRangeQuery(getEpsilon(), dataObject);//该函数寻找给定对象距离epsilon以内的对象
        if (seedList.size() < getMinPoints()) {
            dataObject.setClusterLabel(DataObject.NOISE);//假设是非核心对象。临时设置为noise,之后假设不能被核心对象聚类到就一直是noise了。
            return false;
        }

        //走到这里都是核心对象
        for (int i = 0; i < seedList.size(); i++) {
            DataObject seedListDataObject = (DataObject) seedList.get(i);
            seedListDataObject.setClusterLabel(clusterID);//全部seedList里的对象都从属于clusterID,这个clusterID是一个自增量
            if (seedListDataObject.equals(dataObject)) {
                seedList.remove(i);//注意epsilonRangeQueryList会把參数对象本身也放进去。所以这里要移除
                i--;
            }
        }

        for (int j = 0; j < seedList.size(); j++) {
            DataObject seedListDataObject = (DataObject) seedList.get(j);
            List seedListDataObject_Neighbourhood = database.epsilonRangeQuery(getEpsilon(), seedListDataObject);
           //对于seedList中每个元素都寻找其领域内的元素
            if (seedListDataObject_Neighbourhood.size() >= getMinPoints()) {
                for (int i = 0; i < seedListDataObject_Neighbourhood.size(); i++) {//走到这个循环内说明是核心对象
                    DataObject p = (DataObject) seedListDataObject_Neighbourhood.get(i);
                    if (p.getClusterLabel() == DataObject.UNCLASSIFIED || p.getClusterLabel() == DataObject.NOISE) {<span style="white-space:pre">		</span>
                        if (p.getClusterLabel() == DataObject.UNCLASSIFIED) {
                            seedList.add(p);//假设是未分类的,就加到seedList中。这里使用了unclassified来保证不会加入反复,并且nosie不加入是由于noise肯定不是核心对象(本函数开头逻辑保证)这也算是一个trick。使用了一个list加下标起到了set的效果,假设让我来实现预计我会直接用set吧
                        }
                        p.setClusterLabel(clusterID);//设置成对应的聚类
                    }
                }
            }
            seedList.remove(j);//不是非常明确这里为啥要remove。按理说遍历之后不会再訪问不是必需删除了。也许为了节省内存。也也许是作者强迫症(这段代码的作者貌似不喜欢用迭代器,并且多次使用基于下标的删除,在java中这并非一个非常优雅的编程方式,尽管我也常常这么用)
            j--;
        }

        return true;
    }


五、时间复杂度分析

buildClusterer函数主循环为n,expandCluster函数对list中每一个元素调用eplisonRangeQuery。因此是n^2,总结来看是整个算法是n^3,并非非常高效。

优化点:

buildClusterer并不能产生优于O(n)的优化,但能够使用计数器记录未标记的数量来提高一些效率,expandCluster也没什么优化点。但eplisonRangeQuery起码有两个地方能够优化,第一个是使用KDTree(就像Xmean算法一样,參见之前的博客)来更有效寻找离给定点距离近期的距离,其次是使用Cache来缓存一些给定点对的距离。由于考虑到同样的点在程序中事实上是被计算了多次的。


六、clusterInstance

这个函数接收一个instance作为參数,理应返回该instance从属的cluster。但DBSCAN貌似并没有这么做。

    public int clusterInstance(Instance instance) throws Exception {
        if (processed_InstanceID >= database.size()) processed_InstanceID = 0;
        int cnum = (database.getDataObject(Integer.toString(processed_InstanceID++))).getClusterLabel();
        if (cnum == DataObject.NOISE)
            throw new Exception();
        else
            return cnum;
    }

依次返回的是id为0,1,2的用例的下标,不知道这么做的用意何在。

并且假设是个noise直接抛出异常,并且根本就不说明为啥抛这个异常。

整个函数意义不明。


七、总结

假设非要写个总结的话,那么我个人对于这段代码是比較失望的,不管是一些函数抽象的设计,数据结构的设计,Java代码风格,都有一种浓浓的”业余“的味道,和之前分类器整洁的代码相比全然是判若两人(好吧本来也不是一个人写的)。

除此之外最后的clusterInstance的行为和凝视全然不符,不知道是个bug还是feature还是其他什么原因导致的。



版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/115705.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 如何使用ABAP代码反序列化JSON字符串成ABAP结构「建议收藏」

    如何使用ABAP代码反序列化JSON字符串成ABAP结构「建议收藏」如何使用ABAP代码反序列化JSON字符串成ABAP结构

  • 进销存ERP源码 进销存APP源码 带小程序ERP源码

    进销存ERP源码 进销存APP源码 带小程序ERP源码前端开发:uniapp后端开发:PHP数据库:MySql移动端:APP+小程序界面简洁,前端采用Bootstrap以及Bootstrap-table相结合,实现自适应的效果、弹窗等。

  • 不同宿主机docker 通信_如何设置同网段IP

    不同宿主机docker 通信_如何设置同网段IP依赖包net-toolsiproute2bridge-utilsgitcurl权限需要在root下执行脚本dnet.shj脚本内容#likebr0要创建的桥接设备名BRNAME=$1#likeeth0要矫健的网络接口名IFNAME=$2#192.168.1.2/24当前主机IPLOCALIP=$3#192.168.1.1当前主机…

  • 【多目标优化】2. 非支配排序遗传算法 —(NSGA、NSGA-II)

    【多目标优化】2. 非支配排序遗传算法 —(NSGA、NSGA-II)多目标优化系列:MOP_1.多目标优化的相关基本概念MOP_2.非支配排序遗传算法—(NSGA、NSGA-II)MOP_3.基于分解的多目标进化算法—(MOEAD)1.非支配排序遗传算法(NSGA)1995年,Srinivas和Deb提出了非支配排序遗传算法(Non-dominatedSortingGeneticAlgorithms,NSGA)。这是一种基于P…

  • 免费的主页空间

    免费的主页空间1.BraveNet这是一个国外的网站,提供免费的50M主页空间,支持ftp和网页上传主页,很方便,同时还可以通过链接来赚取美金$$,1.5GBofbandwidth*50MBdiskspaceWeb-basedFTPFreeTemplatesAdvertisingsupported下面是申请主页空间的链接  YourFreeWebsiteStartsHer

  • 大数据平台安全建设实践[通俗易懂]

    大数据平台安全建设实践[通俗易懂]一、概述在大数据平台建设初期,安全也许并不是被重点关注的一环。大数据平台的定位主要是服务数据开发人员,提高数据开发效率,提供便捷的开发流程,有效支持数仓建设。大数据平台的用户都是公司内部人员。数据本身的安全性已经由公司层面的网络及物理机房的隔离来得到保证。那么数据平台建设过程中,需要考虑哪些安全性方面的问题?环境隔离,数据开发人员应当只需关注自己相关业务域的数据,也应该只能访问这一部分数据…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号