एक सहसंबंध मैट्रिक्स को क्लस्टर करना


20

मेरे पास एक सहसंबंध मैट्रिक्स है जो बताता है कि प्रत्येक आइटम को दूसरे आइटम से कैसे संबद्ध किया जाता है। इसलिए एन आइटम के लिए, मेरे पास पहले से ही एन * एन सहसंबंध मैट्रिक्स है। इस सहसंबंध मैट्रिक्स का उपयोग करते हुए मैं एम डिब्बे में एन आइटम को कैसे क्लस्टर करता हूं ताकि मैं कह सकूं कि केटी बिन में एनके आइटम समान व्यवहार करते हैं। कृपया मेरी मदद करें। सभी आइटम मूल्य श्रेणीबद्ध हैं।

धन्यवाद। यदि आपको किसी और जानकारी की आवश्यकता हो तो मुझे बताएं। मुझे पायथन में समाधान की आवश्यकता है लेकिन आवश्यकताओं की ओर मुझे धकेलने में कोई मदद एक बड़ी मदद होगी।


आम तौर पर N कितना बड़ा है?
रोडिन

1
मुझे अपनी समस्या के लिए एक पदानुक्रमिक क्लस्टरिंग की आवश्यकता नहीं है। बस यह बताने की जरूरत है कि कौन सी वस्तुएं समान व्यवहार करती हैं।
अभिषेक ०

एन आमतौर पर 250 - 300 होता है।
अभिषेक

3
FYI करें, इस समस्या को द्वि-क्लस्टरिंग कहा जाता है। इसके बारे में एक डेमो पर पाया जा सकता scikit-learn.org/stable/auto_examples/bicluster/...
chanp

जवाबों:


15

ब्लॉक मॉडलिंग के लिए एक नौकरी की तरह दिखता है। "ब्लॉक मॉडलिंग" के लिए Google और पहले कुछ हिट सहायक हैं।

कहें कि हमारे पास एक सहसंयोजक मैट्रिक्स है जहां N = 100 और वास्तव में 5 क्लस्टर हैं: प्रारंभिक सहसंयोजक मैट्रिक्स

ब्लॉक मॉडलिंग क्या करने की कोशिश कर रहा है, पंक्तियों का एक क्रम ढूंढना है, ताकि क्लस्टर 'ब्लॉक' के रूप में स्पष्ट हो जाएं: अनुकूलित सहसंयोजक मैट्रिक्स आदेश

नीचे एक कोड उदाहरण है जो इसे पूरा करने के लिए एक बुनियादी लालची खोज करता है। यह शायद आपके 250-300 चर के लिए बहुत धीमा है, लेकिन यह एक शुरुआत है। देखें कि क्या आप टिप्पणियों के साथ अनुसरण कर सकते हैं:

import numpy as np
from matplotlib import pyplot as plt

# This generates 100 variables that could possibly be assigned to 5 clusters
n_variables = 100
n_clusters = 5
n_samples = 1000

# To keep this example simple, each cluster will have a fixed size
cluster_size = n_variables // n_clusters

# Assign each variable to a cluster
belongs_to_cluster = np.repeat(range(n_clusters), cluster_size)
np.random.shuffle(belongs_to_cluster)

# This latent data is used to make variables that belong
# to the same cluster correlated.
latent = np.random.randn(n_clusters, n_samples)

variables = []
for i in range(n_variables):
    variables.append(
        np.random.randn(n_samples) + latent[belongs_to_cluster[i], :]
    )

variables = np.array(variables)

C = np.cov(variables)

def score(C):
    '''
    Function to assign a score to an ordered covariance matrix.
    High correlations within a cluster improve the score.
    High correlations between clusters decease the score.
    '''
    score = 0
    for cluster in range(n_clusters):
        inside_cluster = np.arange(cluster_size) + cluster * cluster_size
        outside_cluster = np.setdiff1d(range(n_variables), inside_cluster)

        # Belonging to the same cluster
        score += np.sum(C[inside_cluster, :][:, inside_cluster])

        # Belonging to different clusters
        score -= np.sum(C[inside_cluster, :][:, outside_cluster])
        score -= np.sum(C[outside_cluster, :][:, inside_cluster])

    return score


initial_C = C
initial_score = score(C)
initial_ordering = np.arange(n_variables)

plt.figure()
plt.imshow(C, interpolation='nearest')
plt.title('Initial C')
print 'Initial ordering:', initial_ordering
print 'Initial covariance matrix score:', initial_score

# Pretty dumb greedy optimization algorithm that continuously
# swaps rows to improve the score
def swap_rows(C, var1, var2):
    '''
    Function to swap two rows in a covariance matrix,
    updating the appropriate columns as well.
    '''
    D = C.copy()
    D[var2, :] = C[var1, :]
    D[var1, :] = C[var2, :]

    E = D.copy()
    E[:, var2] = D[:, var1]
    E[:, var1] = D[:, var2]

    return E

current_C = C
current_ordering = initial_ordering
current_score = initial_score

max_iter = 1000
for i in range(max_iter):
    # Find the best row swap to make
    best_C = current_C
    best_ordering = current_ordering
    best_score = current_score
    for row1 in range(n_variables):
        for row2 in range(n_variables):
            if row1 == row2:
                continue
            option_ordering = best_ordering.copy()
            option_ordering[row1] = best_ordering[row2]
            option_ordering[row2] = best_ordering[row1]
            option_C = swap_rows(best_C, row1, row2)
            option_score = score(option_C)

            if option_score > best_score:
                best_C = option_C
                best_ordering = option_ordering
                best_score = option_score

    if best_score > current_score:
        # Perform the best row swap
        current_C = best_C
        current_ordering = best_ordering
        current_score = best_score
    else:
        # No row swap found that improves the solution, we're done
        break

# Output the result
plt.figure()
plt.imshow(current_C, interpolation='nearest')
plt.title('Best C')
print 'Best ordering:', current_ordering
print 'Best score:', current_score
print
print 'Cluster     [variables assigned to this cluster]'
print '------------------------------------------------'
for cluster in range(n_clusters):
    print 'Cluster %02d  %s' % (cluster + 1, current_ordering[cluster*cluster_size:(cluster+1)*cluster_size])

क्या उस तकनीक का उपयोग सामाजिक नेटवर्क के क्लस्टरिंग के लिए किया जाता है? क्या यह यहां प्रासंगिक होगा? क्या यह उस दूरी मैट्रिक्स के रूप में उस सहसंबंध मैट्रिक्स का उपयोग करने के लिए समझ में आता है?
अभिषेक ०

1) हाँ, 2) मुझे ऐसा लगता है, 3) हाँ (मान जो अत्यधिक सहसंबद्ध हैं) करीब हैं
रॉडिन

ठीक है। मैंने पहले कुछ लिंक्स के माध्यम से देखा। मैं अभी भी नहीं जानता कि यह कैसे मेरी समस्या को हल करने में मेरी मदद करेगा।
अभिषेक ०

मैंने अपना उत्तर संपादित कर दिया है। मुझे आशा है कि यह आपके लिए उपयोगी है।
रोडिन

मैं अब इसकी जाँच करने जा रहा हूँ। मैं आपको बता दूंगा कि क्या यह मेरी समस्या है। बहुत बहुत धन्यवाद।
अभिषेक ०

6

क्या आपने पदानुक्रमिक क्लस्टरिंग को देखा है? यह केवल दूरी ही नहीं, समानता के साथ काम कर सकता है। आप डेंड्रोग्राम को एक ऊंचाई पर काट सकते हैं जहां यह k समूहों में विभाजित होता है, लेकिन आमतौर पर डेंड्रोग्राम का नेत्रहीन निरीक्षण करना बेहतर होता है और काटने के लिए ऊंचाई पर निर्णय लेना चाहिए।

पदानुक्रमित क्लस्टरिंग का उपयोग अक्सर समानता मैट्रिक्स मैट्रिक्स के लिए एक चतुर पुनरावर्तन उत्पन्न करने के लिए भी किया जाता है जैसा कि अन्य उत्तर में देखा गया है: यह एक दूसरे के बगल में अधिक समान प्रविष्टियां रखता है। यह उपयोगकर्ता के लिए एक सत्यापन उपकरण के रूप में भी काम कर सकता है!


2

क्या आपने सहसंबंध क्लस्टरिंग में देखा है ? यह क्लस्टरिंग एल्गोरिथ्म जोड़ी-वार सकारात्मक / नकारात्मक सहसंबंध जानकारी का उपयोग स्वचालित रूप से अच्छी तरह से परिभाषित कार्यात्मक और एक कठोर पीढ़ीगत संभाव्य व्याख्या के साथ समूहों की इष्टतम संख्या का प्रस्ताव करने के लिए करता है ।


प्रचारित विकिपीडिया लेख Correlation clustering provides a method for clustering a set of objects into the optimum number of clusters without specifying that number in advance:। क्या यह विधि की परिभाषा है? यदि हाँ, यह अजीब है क्योंकि क्लस्टर की संख्या को स्वचालित रूप से सुझाने के लिए अन्य विधियाँ मौजूद हैं, और यह भी कि क्यों इसे "सहसंबंध" कहा जाता है।
ttnphns 8:14 बजे

@ttnphns (1) इसे "सहसंबंध क्लस्टरिंग" कहा जाता है क्योंकि यह एक जोड़ी-वार सहसंबंध मैट्रिक्स के रूप में उम्मीद करता है (बंसल, एन।; ब्लम, ए।; चावला, एस। (2004) के सहारे काम को देखें। "सहसंबंध क्लस्टरिंग "। मशीन लर्निंग। 56: 89)।
Shai

@ttnphns के बारे में "समूहों की इष्टतम संख्या": आप इस तथ्य के बारे में सही हैं कि "इष्टतम" अस्पष्ट है, "इष्टतम" किस उपाय के तहत? सहसंबंध क्लस्टरिंग के रूप में, यदि आप Bagon & Galun "बड़े पैमाने पर सहसंबंध क्लस्टरिंग" में प्रस्तावित जेनरिक मॉडल को स्वीकार करते हैं , तो विधि इष्टतम संख्या को आउटपुट करती है।
Shai

Shai, ऐसा प्रतीत होता है कि आप विधि के अन्वेषकों में से एक हैं। यदि आप समय और इच्छा रखते हैं, तो मैं आपको एक और अलिखित उत्तर देने के लिए प्रोत्साहित करूंगा। विशेष रूप से, कोई जानना चाहता है कि विधि को कुछ अच्छी तरह से स्थापित लोगों के बीच कैसे रखा जाता है, जैसे कि k- साधन या चित्रलिपि। नोट भी सहसंबंध आसानी से यूक्लिडियन दूरी (बाद में लागू किसी भी मानक क्लस्टरिंग विधि के साथ) के लिए परिवर्तनीय है, - उस तथ्य / चाल को जानने के बाद, कौन सी चीजें आपकी विधि को अनुमति देती है जो कि "चाल" की अनुमति नहीं देती है? इसके बारे में लिखें। (अग्रिम धन्यवाद!)
ttnphns

1
मुझे उम्मीद है कि यह कवर करेगा। मैं सिर्फ यह कहना चाहता था कि इस साइट पर पोस्ट किए गए उत्तर में थोड़ा और विवरण देना हमेशा एक अच्छा विचार है, खासकर जब कोई तरीका नया हो और जब कोई जानता हो कि आविष्कारक होने के नाते क्या कहना है। :-) नहीं, "बहुत व्यापक" नहीं है।
ttnphns

-1

मैं कुछ सार्थक (सांख्यिकीय महत्व) सीमा को फ़िल्टर करूंगा और फिर जुड़े हुए घटकों को प्राप्त करने के लिए डल्मेज-मेंडेलसोहन अपघटन का उपयोग करूंगा। हो सकता है कि इससे पहले कि आप कुछ समस्याएँ जैसे सकर्मक सहसंबंध (A अत्यधिक सहसंबद्ध बी, बी से सी, डी से डी) की कोशिश कर सकें, इसलिए इन सभी में एक घटक होता है, लेकिन वास्तव में डी से ए कम है। आप कुछ आधारितता एल्गोरिथ्म का उपयोग कर सकते हैं। जैसा कि किसी ने सुझाव दिया है कि यह सहसंयोजक मैट्रिक्स सममित है और इसलिए कोई द्वि-वस्तु नहीं है, यह एक विचित्र समस्या नहीं है।


यह उत्तर काफी स्पष्ट नहीं करता है कि सुझाए गए थ्रेसहोल्ड को कैसे सेट किया जाए, जो आईएमओ मनमाना लगता है। इसके अतिरिक्त, जैसा कि यह सवाल दो साल पुराना है, और एक जोड़े के साथ एक जवाब पहले ही स्वीकार कर लिया गया है, आप पहले से मौजूद जानकारी के बारे में विस्तार से जानना चाह सकते हैं।
IWS
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.