1， 譜聚類引入

對于這樣分布的樣本，我們怎么進(jìn)行聚類呢？我們可以使用核函數(shù)+K-means來聚類，當(dāng)然也可以使用本節(jié)將要介紹的譜聚類。

2，模型介紹

譜聚類是一種基于圖模型的聚類方法（一般圖是帶權(quán)重的無向圖）。比起傳統(tǒng)的K-Means算法，譜聚類對數(shù)據(jù)分布的適應(yīng)性更強(qiáng)，聚類效果也很優(yōu)秀，同時聚類的計算量也小很多。

譜聚類的主要思想是把所有的數(shù)據(jù)看做空間中的點，這些點之間可以用邊連接起來。距離較遠(yuǎn)的兩個點之間的邊權(quán)重值較低，而距離較近的兩個點之間的邊權(quán)重值較高，通過對所有數(shù)據(jù)點組成的圖進(jìn)行切圖，讓切圖后不同的子圖間邊權(quán)重和盡可能的低，而子圖內(nèi)的邊權(quán)重和盡可能的高，從而達(dá)到聚類的目的。

2.1 幾個圖的概念

先定義幾個概念：

圖：G={V,E}

節(jié)點集合：V={1,2,……,N}

2.1.1 邊集合與鄰接矩陣

邊集合： E:W=[wij] 1≤i,j≤N? ，這里我們用一個相似度矩陣W來表達(dá)節(jié)點與節(jié)點之間，即邊的信息。其中相似度的定義有以下幾種：

1、?-鄰近法

從上式可見，兩點的權(quán)重要不就是?， 要不就是0， 沒有其他信息了。距離遠(yuǎn)近度量很不精確，因此在實際應(yīng)用中，我們很少使用?-鄰近法。

2、K鄰近法

利用KNN算法遍歷所有的樣本點，取每個樣本最近的k個點作為近鄰，只有和樣本距離最近的k個點之間的邊權(quán)重大于0。但是這種方法會造成重構(gòu)之后的鄰接矩陣W非對稱，我們后面的算法需要對稱鄰接矩陣。為了解決這種問題，一般采取下面兩種方法之一：

3、全連接法

相比前兩種方法，第三種方法所有的點之間的權(quán)重值都大于0，因此稱之為全連接法。在實際的應(yīng)用中，使用第三種全連接法來建立鄰接矩陣是最普遍的。

可以選擇不同的核函數(shù)來定義邊權(quán)重，常用的有多項式核函數(shù)，高斯核函數(shù)和Sigmoid核函數(shù)。最常用的是高斯核函數(shù)RBF。

2.1.2 度與度矩陣

度：度為該頂點與其他頂點連接權(quán)值之和。度矩陣是一個對角矩陣。

2.2 切割

2.2.1 兩類的切割

我們先看切割成兩類的情況

也就是兩個切割A(yù),B之間的度量是任意A中的點和任意B中的點之間的相似度。也就是“切口”兩側(cè)的點之間的相似度權(quán)重。

2.2.2 K類的切割

然后我們推廣到K個類別

那么這個K類切割怎么度量呢？從在兩類切割的情況我們知道，切割的度量只取決于“切口”兩側(cè)點之間的相似度權(quán)重。那么K類切割也是同理，只不過原來是切一刀，現(xiàn)在是切K刀，每一刀切下Ai和其他部分。

于是我們就有：

那么我們可以通過調(diào)整Ai的分配，獲得最小的Cut。

2.3 Ncut

但是如果僅最優(yōu)化這邊的cut，會有一個不足。就是我們希望分割效果更好，希望每一個分割“緊湊”一點。也就是類間的相似度低（w小），類內(nèi)的相似度大（w大）。那么Cut的定義就無法滿足我們這個需求了。為了滿足這個“分割緊湊”的需求，我們對Cut進(jìn)行歸一化操作：

這里的Δ定義為某一類內(nèi)點的度（雖然我覺得可能是類內(nèi)點之間的度更合理一點？歡迎討論）

整合一下，Normalized Cut （NCut）的定義為

?

我們的目標(biāo)是

3, Ncut模型的矩陣表示

通過上一小節(jié)，我們知道

為了更方便地求解這個優(yōu)化問題，我們一般要將它轉(zhuǎn)化為矩陣形式

3.1 指示向量

我們先來看一下等號左邊，我們定義一個指示向量indicator vector，它類似于one-hot向量

?

3.2 Ncut

接下來我們要對Ncut進(jìn)行矩陣表示

NCut是一個求和的數(shù)值，那么我們可以將其轉(zhuǎn)化為對角矩陣求跡(trace)

然后把分子分母分離（對角矩陣求逆相當(dāng)于對每一個對角線元素求逆）：

整合一下，即：

但是，我們目前知道的是相似度矩陣W（N×N維）和指示向量Y（N×K維）【這里我們先給定一個特定的Y，然后將O,P用Y來表示。之后再用優(yōu)化問題求解Y，所以此時Y暫定為已知的】

3.2.1 求P

我們先看一下?(K×K維)：

?

?

對于每一個，的結(jié)果是一個K×K的矩陣。如果中第j維是1（其他是0），那么中只有第(j,j)坐標(biāo)元素為1，其余為0。

那么這樣所有的求和的結(jié)果，元素值為1的部分全在對角線上.

對角線上的每個元素都是這一類的元素個數(shù)。這個已經(jīng)和P(下圖)很像了，唯一的區(qū)別就是求和的內(nèi)容。

我們在前面又有

所以前面的P也可以寫成

整合一下，有：

3.2.2. 求O

最后我們來看O

?

對于第一項，也就是組別k內(nèi)所有點的度之和，即

而我們前面已經(jīng)求得了

而對于第二項

我們先猜測一下，因為我們現(xiàn)在就只知道W和Y，我們先試試行不行.

因為我們只是需要求跡，而

是對角矩陣，所以這里我們也只需要驗證的對角線部分即可。

我們?nèi)?什么時候元素會到對角線上呢?那就是yi和yj在一組里面（比如第k組）。此時第k行第k列的元素+

所以最后，只看對角線上的元素，那么這個矩陣就是

3.3 結(jié)論

所以

其中D-W我們稱之為拉普拉斯矩陣

3.4 求最優(yōu)方案的方法

在之后會涉及的RatioCut中，我們?nèi)デ罄绽咕仃嘗的最小的前k個特征值，然后求出對應(yīng)的特征向量并標(biāo)準(zhǔn)化，然后對結(jié)果進(jìn)行一次傳統(tǒng)的聚類。

Ncut和RatioCut唯一的區(qū)別就是分母的D，所以仿RatioCut方法，我們這里進(jìn)行特征分解的矩陣為標(biāo)準(zhǔn)化的拉普拉斯矩陣，即

4 拉普拉斯矩陣

拉普拉斯矩陣（Laplacian matrix)），也稱為基爾霍夫矩陣, 是表示圖的一種矩陣。給定一個有n個頂點的圖，其拉普拉斯矩陣被定義為:L=D?W?其中D為圖的度矩陣，W為圖的鄰接矩陣。
?

4.1 拉普拉斯矩陣舉例

以下圖為例：

鄰接矩陣
度矩陣
拉普拉斯矩陣

?

?

?

?

?

?

?

?

?

?

?

?

4.2 拉普拉斯矩陣性質(zhì)

證明：

5 RatioCut切圖

大體思路和Ncut是一樣的，不過分母除的不是某個分割的度之和，而是某個分割中點的個數(shù)

和Ncut一樣，這邊的指示向量也表示了第i個元素(i∈[1,n])在第j個分割中(j∈[1,k])

那么我們對每一個分割A(yù)i有：

（展開的時候，都屬于Ai的和都不屬于Ai的相減為0，所以不顯示出來）

? ? ? ? ? ? ? ?

（Ai分割邊緣上所有點的權(quán)重之和就是cut(Ai,~Ai)）

? ? ? ? ? ? ? ??

匯總到一塊，總的分割的RatioCut為

通過找到L的最小的k個特征值，可以得到對應(yīng)的k個特征向量，這k個特征向量組成一個nxk維度的矩陣，即為我們的H。

由于我們在使用維度規(guī)約的時候損失了少量信息，導(dǎo)致得到的優(yōu)化后的指示向量h對應(yīng)的H現(xiàn)在不能完全指示各樣本的歸屬，因此一般在得到 n × k維度的矩陣H后還需要對每一行進(jìn)行一次傳統(tǒng)的聚類，比如使用K-Means聚類。

6 譜聚類算法流程匯總

以Ncut為例

輸入：樣本集D=(x1,x2,x3,......,xn)、相似矩陣的生成方式、 降維后的維度k1（需要分成幾個分割）、聚類方法、聚類后的維度k2

輸出： 簇劃分C=(c1,c2,.....ck2)?

流程：

1）根據(jù)輸入的相似矩陣的生成方式構(gòu)建樣本的相似矩陣S

2）根據(jù)相似矩陣S構(gòu)建鄰接矩陣W ，構(gòu)建度矩陣D

3）計算出拉普拉斯矩陣L

4）構(gòu)建標(biāo)準(zhǔn)化后的拉普拉斯矩陣

5）計算最小的k1個特征值所各自對應(yīng)的特征向量f

6) 將各自對應(yīng)的特征向量f組成的矩陣按行標(biāo)準(zhǔn)化，最終組成n × k1的特征矩陣F（第j個矩陣(j∈[1,n])屬于第i個分割(i∈[1,k1])）

7）對F中的每一行作為一個k1維的樣本，共n個樣本，用輸入的聚類方法進(jìn)行聚類，聚類維數(shù)為k2

8）得到簇劃分C=(c1,c2,.....ck2)?

7 譜聚類python實現(xiàn)

為了方便記憶，我按照流程1~8依次實現(xiàn)

7-0-1 導(dǎo)入庫

import numpy as np from sklearn import datasets

7-0-2 加載鳶尾花數(shù)據(jù)

#加載鳶尾花數(shù)據(jù) iris=datasets.load_iris() ''' print(iris['data'].shape) (150, 4) print(iris['data'][0]) array([5.1, 3.5, 1.4, 0.2]) '''m=iris['data'].shape[0] n=iris['data'].shape[1]

7-1 構(gòu)建樣本的相似矩陣S

#相似矩陣 AMatrix=np.zeros((m,m))#求兩條記錄之間的距離（相似度），用高斯核函數(shù) def AffMatrix(arrA,arrB):sigma=0.5 diff=arrA-arrB #兩個ndarray逐元素相減diff=np.square(diff)#相減的結(jié)果逐元素平方a=np.sum(diff)#到這里就完成了||x-x'||^2這一部分了b=2*(np.square(sigma))#到這里完成了2*σ^2w=np.exp(-a/b) #高斯核函數(shù)#print(w)return w

7-2?根據(jù)相似矩陣S構(gòu)建鄰接矩陣W ，構(gòu)建度矩陣D

7-2-1 鄰接矩陣

#計算鄰接矩陣 def M_Matrix(m,AMatrix):for i in range(m):for j in range(m):AMatrix[i][j]=AffMatrix(iris['data'][i],iris['data'][j])#計算兩兩的相似度AMatrix=AMatrix-np.identity(m)#我們認(rèn)為自己到自己是沒有邊相連的，所以需要讓對角線元素變?yōu)?#自己和自己的高斯核結(jié)果為0return AMatrixw=M_Matrix(m,AMatrix)''' w.shape (150, 150) '''

7-2-2 度矩陣

D=np.diag(np.sum(w,axis=0))

這里復(fù)習(xí)一個知識，就是axis的事情

axis=0 第0個坐標(biāo)的元素疊加，其他坐標(biāo)的元素不變 sum([0,1,2,....,n][x][y])

axis=1 第1個坐標(biāo)的元素疊加，其他坐標(biāo)的元素不變 sum([x][0,1,2,....,n][y])

7.3?計算出拉普拉斯矩陣L=D?W?

L=D-w

7.4?構(gòu)建標(biāo)準(zhǔn)化后的拉普拉斯矩陣

#np.power(np.sum(w,axis=0),-0.5) #D的對角線元素開根號 Dn=np.diag(np.power(np.sum(w,axis=0),-0.5)) #Dn=D^(-1/2) L=Dn.dot(L).dot(Dn)

7.5?計算最小的k1個特征值所各自對應(yīng)的特征向量f

eigvals, eigvecs = np.linalg.eig(L) # 規(guī)范化后的拉普拉斯矩陣 特征分解k = 3 indices = eigvals.argsort()[:k] #最小的三個特征值k_max_eigvecs = eigvecs[:,indices] #最小的三個特征值對應(yīng)的特征向量 ''' k_max_eigvecs.shape (150,3) '''

7.7?對F中的每一行作為一個k1維的樣本，共n個樣本，用輸入的聚類方法進(jìn)行聚類，聚類維數(shù)為k2

#KNN進(jìn)行聚類 from sklearn.cluster import KMeansres = KMeans(n_clusters=k).fit_predict(k_max_eigvecs)

7.9?可視化

def draw():colorSet = ["black", "blue", "green", "yellow", "red", "purple", "orange", "brown"]for i in range(m):x = iris['data'][i][0]y = iris['data'][i][1]color = colorSet[res[i] % len(colorSet)]plt.scatter(x,y, marker="o", c=color, s=20)plt.xlabel("x")plt.ylabel("y")plt.show() draw()

8 sklearn庫中的譜聚類使用

在scikit-learn的類庫中，sklearn.cluster.SpectralClustering實現(xiàn)了基于Ncut的譜聚類，沒有實現(xiàn)基于RatioCut的切圖聚類。同時，對于相似矩陣的建立，也只是實現(xiàn)了基于K鄰近法和全連接法的方式，沒有基于?-鄰近法的相似矩陣。

8.1?SpectralClustering中的參數(shù)

8.1.1?n_clusters

代表我們在對譜聚類切圖時降維到的維數(shù)，同時也是最后一步聚類算法聚類到的維數(shù)。

8.1.2 affinity:

我們的相似矩陣的建立方式。可以選擇的方式有三類，

第一類是 **‘nearest_neighbors’**即K鄰近法。

第二類是**‘precomputed’**即自定義相似矩陣。選擇自定義相似矩陣時，需要自己調(diào)用set_params來自己設(shè)置相似矩陣。

第三類是全連接法，可以使用各種核函數(shù)來定義相似矩陣，還可以自定義核函數(shù)。

最常用的是內(nèi)置高斯核函數(shù)’rbf’。其他比較流行的核函數(shù)有‘linear’即線性核函數(shù), ‘poly’即多項式核函數(shù), ‘sigmoid’即sigmoid核函數(shù)。

如果選擇了這些核函數(shù)， 對應(yīng)的核函數(shù)參數(shù)在后面有單獨的參數(shù)需要設(shè)置。

affinity默認(rèn)是高斯核’rbf’。

8.1.3 核函數(shù)參數(shù)gamma:

如果我們在affinity參數(shù)使用了多項式核函數(shù) ‘poly’，高斯核函數(shù)‘rbf’, 或者’sigmoid’核函數(shù)，那么我們就需要對這個參數(shù)進(jìn)行調(diào)參。

8.1.4 核函數(shù)參數(shù)degree

如果我們在affinity參數(shù)使用了多項式核函數(shù) ‘poly’，那么我們就需要對這個參數(shù)進(jìn)行調(diào)參。這個參數(shù)對應(yīng)中的d。默認(rèn)是3。

8.1.5?核函數(shù)參數(shù)coef0:

如果我們在affinity參數(shù)使用了多項式核函數(shù) ‘poly’，或者sigmoid核函數(shù)，那么我們就需要對這個參數(shù)進(jìn)行調(diào)參。

8.1.6 kernel_params

如果affinity參數(shù)使用了自定義的核函數(shù)，則需要通過這個參數(shù)傳入核函數(shù)的參數(shù)。

8.1.7 n_neighbors

?如果我們affinity參數(shù)指定為’nearest_neighbors’即K鄰近法，則我們可以通過這個參數(shù)指定KNN算法的K的個數(shù)。默認(rèn)是10

8.2 代碼

from sklearn.cluster import SpectralClustering from sklearn import metricsiris=datasets.load_iris() y_pred = SpectralClustering(gamma=0.1,n_clusters=3).fit_predict(iris['data'])

8.3 可視化

可以看到結(jié)果和我們之前自己實現(xiàn)的是差不多的

def draw():colorSet = ["black", "blue", "green", "yellow", "red", "purple", "orange", "brown"]for i in range(m):x = iris['data'][i][0]y = iris['data'][i][1]color = colorSet[y_pred[i] % len(colorSet)]plt.scatter(x,y, marker="o", c=color, s=20)plt.xlabel("x")plt.ylabel("y")plt.show() draw()

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的谱聚类初探的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。