热线电话:13121318867

登录
首页精彩阅读简单易学的机器学习算法—谱聚类(Spectal Clustering)
简单易学的机器学习算法—谱聚类(Spectal Clustering)
2017-03-28
收藏

简单易学的机器学习算法—谱聚类(Spectal Clustering)

一、复杂网络中的一些基本概念

1、复杂网络的表示

在复杂网络的表示中,复杂网络可以建模成一个图,其中,V表示网络中的节点的集合,E表示的是连接的集合。在复杂网络中,复杂网络可以是无向图、有向图、加权图或者超图。

2、网络簇结构

网络簇结构(network cluster structure)也称为网络社团结构(network community structure),是复杂网络中最普遍和最重要的拓扑属性之一。网络簇是整个网络中的稠密连接分支,具有同簇内部节点之间相互连接密集,不同簇的节点之间相互连接稀疏的特征

3、复杂网络的分类

复杂网络主要分为:随机网络,小世界网络和无标度网络。

二、谱方法介绍

1、谱方法的思想

在复杂网络的网络簇结构存在着同簇节点之间连接密集,不同簇节点之间连接稀疏的特征,是否可以根据这样的特征对网络中的节点进行聚类,使得同类节点之间的连接密集,不同类别节点之间的连接稀疏?

在谱聚类中定义了“截”函数的概念,当一个网络被划分成为两个子网络时,“截”即指子网间的连接密度。谱聚类的目的就是要找到一种合理的分割,使得分割后形成若干子图,连接不同的子图的边的权重尽可能低,即“截”最小,同子图内的边的权重尽可能高。

2、“截”函数的具体表现形式

“截”表示的是子网间的密度,即边比较少。以二分为例,将图聚类成两个类:S类和T类。假设用来表示图的划分,我们需要的结果为:

其中表示的是类别S和T之间的权重。对于K个不同的类别,优化的目标为:

3、基本“截”函数的弊端

对于上述的“截”函数,最终会导致不好的分割,如二分类问题:

上述的“截”函数通常会将图分割成一个点和其余n-1个点。

4、其他的“截”函数的表现形式

为了能够让每个类都有合理的大小,目标函数中应该使得足够大,则提出了或者

其中表示A类中包含的顶点的数目

三、Laplacian矩阵

1、Laplacian矩阵的定义

拉普拉斯矩阵(Laplacian Matrix),也称为基尔霍夫矩阵,是图的一种矩阵表示形式。
对于一个有n个顶点的图,其Laplacian矩阵定义为:

其中,d为图的度矩阵,a为图的邻接矩阵。

2、度矩阵的定义

度矩阵是一个对角矩阵,主角线上的值由对应的顶点的度组成。

对于一个有n个顶点的图,其邻接矩阵为:

其度矩阵为:

其中

3、Laplacian矩阵的性质

Laplacian矩阵;L是对称半正定矩阵;

  1. Laplacian矩阵L的最小特征值是0,相应的特征向量是I;
  2. Laplacian矩阵L有n个非负实特征值:,且对于任何一个实向量f,都有下面的式子成立:

性质3的证明:

4、不同的Laplacian矩阵

除了上述的拉普拉斯矩阵,还有规范化的Laplacian矩阵形式:

四、Laplacian矩阵与谱聚类中的优化函数的关系

1、由Laplacian矩阵到“截”函数

对于二个类别的聚类问题,优化的目标函数为:

定义向量,且

而已知:,则

其中,表示的是顶点的数目,对于确定的图来说是个常数。由上述的推导可知,由推导出了,由此可知:Laplacian矩阵与有优化的目标函数之间存在密切的联系。

2、新的目标函数

由上式可得:

由于是个常数,故要求的最小值,即求的最小值。则新的目标函数为:
 

其中

3、转化到Laplacian矩阵的求解

假设是Laplacian矩阵L的特征值,F是特征对应的特征向量,则有:

在上式的两端同时左乘

已知,则,上式可以转化为:

要求,即只需求得最小特征。由Laplacian矩阵的性质可知,Laplacian矩阵的最小特征值为0。由Rayleigh-Ritz理论,可以取第2小特征值。

五、从二类别聚类到多类别聚类1、二类别聚类


对于求解出来的特征向量中的每一个分量,根据每个分量的值来判断对应的点所属的类别:

2、多类别聚类

对于求出来的前K个特征向量,可以利用K-Means聚类方法对其进行聚类,若前K个特征向量为,这样便由特征向量构成如下的特征向量矩阵:

特征向量矩阵中的每一行最为一个样本,利用K-Means聚类方法对其进行聚类。

六、谱聚类的过程

1、基本的结构

基于以上的分析,谱聚类的基本过程为:

对于给定的图,求图的度矩阵d和邻接矩阵a;

计算图的Laplacian矩阵

对Laplacian矩阵进行特征值分解,取其前k个特征值对应的特征向量,构成特征向量矩阵;

利用K-Means聚类算法对上述的特征向量矩阵进行聚类,每一行代表一个样本点。

2、利用相似度矩阵的构造方法

上述的方法是通过图的度矩阵D和邻接矩阵A来构造Laplacian矩阵,也可以通过相似度矩阵的方法构造Laplacian矩阵,其方法如下:
相似度矩阵是由权值矩阵得到:

其中

再利用相似度矩阵S构造Laplacian矩阵:

其中D为相似度矩阵S的度矩阵。

注意:在第一种方法中,求解的是Laplacian矩阵的前个最小特征值对应的特征向量,在第二种方法中,求解的是Laplacian矩阵的前K个最大特征值对应的特征向量

七、实验代码

1、自己实现的一个

[python] view plain copy 在CODE上查看代码片派生到我的代码片
#coding:UTF-8  
'''''
Created on 2015年5月12日
 
@author: zhaozhiyong
'''  
from __future__ import division  
import scipy.io as scio  
from scipy import sparse  
from scipy.sparse.linalg.eigen import arpack#这里只能这么做,不然始终找不到函数eigs  
from numpy import *  
 
 
def spectalCluster(data, sigma, num_clusters):  
    print "将邻接矩阵转换成相似矩阵"  
    #先完成sigma != 0  
    print "Fixed-sigma谱聚类"  
    data = sparse.csc_matrix.multiply(data, data)  
 
    data = -data / (2 * sigma * sigma)  
      
    S = sparse.csc_matrix.expm1(data) + sparse.csc_matrix.multiply(sparse.csc_matrix.sign(data), sparse.csc_matrix.sign(data))     
      
    #转换成Laplacian矩阵  
    print "将相似矩阵转换成Laplacian矩阵"  
    D = S.sum(1)#相似矩阵是对称矩阵  
    D = sqrt(1 / D)  
    n = len(D)  
    D = D.T  
    D = sparse.spdiags(D, 0, n, n)  
    L = D * S * D  
      
    #求特征值和特征向量  
    print "求特征值和特征向量"  
    vals, vecs = arpack.eigs(L, k=num_clusters,tol=0,which="LM")    
      
    # 利用k-Means  
    print "利用K-Means对特征向量聚类"  
    #对vecs做正规化  
    sq_sum = sqrt(multiply(vecs,vecs).sum(1))  
    m_1, m_2 = shape(vecs)  
    for i in xrange(m_1):  
        for j in xrange(m_2):  
            vecs[i,j] = vecs[i,j]/sq_sum[i]  
      
    myCentroids, clustAssing = kMeans(vecs, num_clusters)  
      
    for i in xrange(shape(clustAssing)[0]):  
        print clustAssing[i,0]  
      
 
def randCent(dataSet, k):  
    n = shape(dataSet)[1]  
    centroids = mat(zeros((k,n)))#create centroid mat  
    for j in range(n):#create random cluster centers, within bounds of each dimension  
        minJ = min(dataSet[:,j])   
        rangeJ = float(max(dataSet[:,j]) - minJ)  
        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))  
    return centroids  
 
def distEclud(vecA, vecB):  
    return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)  
 
def kMeans(dataSet, k):  
    m = shape(dataSet)[0]  
    clusterAssment = mat(zeros((m,2)))#create mat to assign data points to a centroid, also holds SE of each point  
    centroids = randCent(dataSet, k)  
    clusterChanged = True  
    while clusterChanged:  
        clusterChanged = False  
        for i in range(m):#for each data point assign it to the closest centroid  
            minDist = inf; minIndex = -1  
            for j in range(k):  
                distJI = distEclud(centroids[j,:],dataSet[i,:])  
                if distJI < minDist:  
                    minDist = distJI; minIndex = j  
            if clusterAssment[i,0] != minIndex: clusterChanged = True  
            clusterAssment[i,:] = minIndex,minDist**2  
        #print centroids  
        for cent in range(k):#recalculate centroids  
            ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster  
            centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean   
    return centroids, clusterAssment  
 
 
if __name__ == '__main__':  
    # 导入数据集  
    matf = 'E://data_sc//corel_50_NN_sym_distance.mat'  
    dataDic = scio.loadmat(matf)  
    data = dataDic['A']  
    # 谱聚类的过程  
    spectalCluster(data, 20, 18)  

2、网上提供的一个Matlab代码
[plain] view plain copy 在CODE上查看代码片派生到我的代码片
function [cluster_labels evd_time kmeans_time total_time] = sc(A, sigma, num_clusters)  
%SC Spectral clustering using a sparse similarity matrix (t-nearest-neighbor).  
%  
%   Input  : A              : N-by-N sparse distance matrix, where  
%                             N is the number of data  
%            sigma          : sigma value used in computing similarity,  
%                             if 0, apply self-tunning technique  
%            num_clusters   : number of clusters  
%  
%   Output : cluster_labels : N-by-1 vector containing cluster labels  
%            evd_time       : running time for eigendecomposition  
%            kmeans_time    : running time for k-means  
%            total_time     : total running time  
 
%  
% Convert the sparse distance matrix to a sparse similarity matrix,  
% where S = exp^(-(A^2 / 2*sigma^2)).  
% Note: This step can be ignored if A is sparse similarity matrix.  
%  
disp('Converting distance matrix to similarity matrix...');  
tic;  
n = size(A, 1);  
 
if (sigma == 0) % Selftuning spectral clustering  
  % Find the count of nonzero for each column  
  disp('Selftuning spectral clustering...');  
  col_count = sum(A~=0, 1)';  
  col_sum = sum(A, 1)';  
  col_mean = col_sum ./ col_count;  
  [x y val] = find(A);  
  A = sparse(x, y, -val.*val./col_mean(x)./col_mean(y)./2);  
  clear col_count col_sum col_mean x y val;  
else % Fixed-sigma spectral clustering  
  disp('Fixed-sigma spectral clustering...');  
  A = A.*A;  
  A = -A/(2*sigma*sigma);  
end  
 
% Do exp function sequentially because of memory limitation  
num = 2000;  
num_iter = ceil(n/num);  
S = sparse([]);  
for i = 1:num_iter  
  start_index = 1 + (i-1)*num;  
  end_index = min(i*num, n);  
  S1 = spfun(@exp, A(:,start_index:end_index)); % sparse exponential func  
  S = [S S1];  
  clear S1;  
end  
clear A;  
toc;  
 
%  
% Do laplacian, L = D^(-1/2) * S * D^(-1/2)  
%  
disp('Doing Laplacian...');  
D = sum(S, 2) + (1e-10);  
D = sqrt(1./D); % D^(-1/2)  
D = spdiags(D, 0, n, n);  
L = D * S * D;  
clear D S;  
time1 = toc;  
 
%  
% Do eigendecomposition, if L =  
%   D^(-1/2) * S * D(-1/2)    : set 'LM' (Largest Magnitude), or  
%   I - D^(-1/2) * S * D(-1/2): set 'SM' (Smallest Magnitude).  
%  
disp('Performing eigendecomposition...');  
OPTS.disp = 0;  
[V, val] = eigs(L, num_clusters, 'LM', OPTS);  
time2 = toc;  
 
%  
% Do k-means  
%  
disp('Performing kmeans...');  
% Normalize each row to be of unit length  
sq_sum = sqrt(sum(V.*V, 2)) + 1e-20;  
U = V ./ repmat(sq_sum, 1, num_clusters);  
clear sq_sum V;  
cluster_labels = k_means(U, [], num_clusters);  
total_time = toc;  
 
%  
% Calculate and show time statistics  
%  
evd_time = time2 - time1  
kmeans_time = total_time - time2  
total_time  
disp('Finished!');  

[plain] view plain copy 在CODE上查看代码片派生到我的代码片
function cluster_labels = k_means(data, centers, num_clusters)  
%K_MEANS Euclidean k-means clustering algorithm.  
%  
%   Input    : data           : N-by-D data matrix, where N is the number of data,  
%                               D is the number of dimensions  
%              centers        : K-by-D matrix, where K is num_clusters, or  
%                               'random', random initialization, or  
%                               [], empty matrix, orthogonal initialization  
%              num_clusters   : Number of clusters  
%  
%   Output   : cluster_labels : N-by-1 vector of cluster assignment  
%  
%   Reference: Dimitrios Zeimpekis, Efstratios Gallopoulos, 2006.  
%              http://scgroup.hpclab.ceid.upatras.gr/scgroup/Projects/TMG/  
 
%  
% Parameter setting  
%  
iter = 0;  
qold = inf;  
threshold = 0.001;  
 
%  
% Check if with initial centers  
%  
if strcmp(centers, 'random')  
  disp('Random initialization...');  
  centers = random_init(data, num_clusters);  
elseif isempty(centers)  
  disp('Orthogonal initialization...');  
  centers = orth_init(data, num_clusters);  
end  
 
%  
% Double type is required for sparse matrix multiply  
%  
data = double(data);  
centers = double(centers);  
 
%  
% Calculate the distance (square) between data and centers  
%  
n = size(data, 1);  
x = sum(data.*data, 2)';  
X = x(ones(num_clusters, 1), :);  
y = sum(centers.*centers, 2);  
Y = y(:, ones(n, 1));  
P = X + Y - 2*centers*data';  
 
%  
% Main program  
%  
while 1  
  iter = iter + 1;  
 
  % Find the closest cluster for each data point  
  [val, ind] = min(P, [], 1);  
  % Sum up data points within each cluster  
  P = sparse(ind, 1:n, 1, num_clusters, n);  
  centers = P*data;  
  % Size of each cluster, for cluster whose size is 0 we keep it empty  
  cluster_size = P*ones(n, 1);  
  % For empty clusters, initialize again  
  zero_cluster = find(cluster_size==0);  
  if length(zero_cluster) > 0  
    disp('Zero centroid. Initialize again...');  
    centers(zero_cluster, :)= random_init(data, length(zero_cluster));  
    cluster_size(zero_cluster) = 1;  
  end  
  % Update centers  
  centers = spdiags(1./cluster_size, 0, num_clusters, num_clusters)*centers;  
 
  % Update distance (square) to new centers  
  y = sum(centers.*centers, 2);  
  Y = y(:, ones(n, 1));  
  P = X + Y - 2*centers*data';  
 
  % Calculate objective function value  
  qnew = sum(sum(sparse(ind, 1:n, 1, size(P, 1), size(P, 2)).*P));  
  mesg = sprintf('Iteration %d:\n\tQold=%g\t\tQnew=%g', iter, full(qold), full(qnew));  
  disp(mesg);  
 
  % Check if objective function value is less than/equal to threshold  
  if threshold >= abs((qnew-qold)/qold)  
    mesg = sprintf('\nkmeans converged!');  
    disp(mesg);  
    break;  
  end  
  qold = qnew;  
end  
 
cluster_labels = ind';  
 
 
%-----------------------------------------------------------------------------  
function init_centers = random_init(data, num_clusters)  
%RANDOM_INIT Initialize centroids choosing num_clusters rows of data at random  
%  
%   Input : data         : N-by-D data matrix, where N is the number of data,  
%                          D is the number of dimensions  
%           num_clusters : Number of clusters  
%  
%   Output: init_centers : K-by-D matrix, where K is num_clusters  
rand('twister', sum(100*clock));  
init_centers = data(ceil(size(data, 1)*rand(1, num_clusters)), :);  
 
function init_centers = orth_init(data, num_clusters)  
%ORTH_INIT Initialize orthogonal centers for k-means clustering algorithm.  
%  
%   Input : data         : N-by-D data matrix, where N is the number of data,  
%                          D is the number of dimensions  
%           num_clusters : Number of clusters  
%  
%   Output: init_centers : K-by-D matrix, where K is num_clusters  
 
%  
% Find the num_clusters centers which are orthogonal to each other  
%  
Uniq = unique(data, 'rows'); % Avoid duplicate centers  
num = size(Uniq, 1);  
first = ceil(rand(1)*num); % Randomly select the first center  
init_centers = zeros(num_clusters, size(data, 2)); % Storage for centers  
init_centers(1, :) = Uniq(first, :);  
Uniq(first, :) = [];  
c = zeros(num-1, 1); % Accumalated orthogonal values to existing centers for non-centers  
% Find the rest num_clusters-1 centers  
for j = 2:num_clusters  
  c = c + abs(Uniq*init_centers(j-1, :)');  
  [minimum, i] = min(c); % Select the most orthogonal one as next center  
  init_centers(j, :) = Uniq(i, :);  
  Uniq(i, :) = [];  
  c(i) = [];  
end  
clear c Uniq;  

个人的一点认识:谱聚类的过程相当于先进行一个非线性降维,然后在这样的低维空间中再利用聚类的方法进行聚类。

数据分析咨询请扫描二维码

最新资讯
更多
客服在线
立即咨询