我正在使用GA Package,我的目标是找到k-means聚类算法的最佳初始质心位置。我的数据是TF-IDF得分中的稀疏矩阵,可以下载here.以下是我实施的一些阶段:
0。库和数据集
library(clusterSim) ## for index.DB()
library(GA) ## for ga()
corpus <- read.csv("Corpus_EnglishMalay_tfidf.csv") ## a dataset of 5000 x 1168
1。二进制编码并生成初始填充。
k_min <- 15
initial_population <- function(object) {
## generate a population to turn-on 15 cluster bits
init <- t(replicate(object@popSize, sample(rep(c(1, 0), c(k_min, object@nBits - k_min))), TRUE))
return(init)
}
2。健身功能最小化Davies-Bouldin(DB)指数。我评估从
initial_population
生成的每个解决方案的DBI。
DBI2 <- function(x) {
## x is a vector of solution of nBits
## exclude first column of corpus
initial_centroid <- corpus[x==1, -1]
cl <- kmeans(corpus[-1], initial_centroid)
dbi <- index.DB(corpus[-1], cl=cl$cluster, centrotypes = "centroids")
score <- -dbi$DB
return(score)
}
第3。运行GA。使用这些设置。
g2<- ga(type = "binary",
fitness = DBI2,
population = initial_population,
selection = ga_rwSelection,
crossover = gabin_spCrossover,
pcrossover = 0.8,
pmutation = 0.1,
popSize = 100,
nBits = nrow(corpus),
seed = 123)
4。问题。 kmeans中的错误(语料库[-1],initial_centroid):初始中心不是明显的。
我发现了类似的问题here,用户还必须使用参数动态传递要使用的群集数量。它通过硬编码簇的数量来解决。但是对于我的情况,我真的需要动态传递簇的数量,因为它来自随机生成的二进制向量,其中1's
将代表初始质心。
使用kmeans()
code进行检查后,我发现错误是由重复的中心引起的:
if(any(duplicated(centers)))
stop("initial centers are not distinct")
我使用kmeans
编辑了trace
功能,以打印出重复的中心。输出:
[1] "206" "520" "564" "1803" "2059" "2163" "2652" "2702" "3195" "3206" "3254" "3362" "3375"
[14] "4063" "4186"
在随机选择的initial_centroids
中显示没有重复,我不知道为什么会出现此错误。还有什么会导致这个错误吗?
P / S:我知道有些人可能会建议GA + K-means不是一个好主意。但我确实希望完成我的开始。最好将此问题视为K-means问题(至少在解决initial centers are not distinct
错误时)。
答案 0 :(得分:4)
遗传算法不适合根据问题的性质来优化k均值 - 初始化种子相互作用太多,ga不会比随机取样所有可能的种子更好。
所以我的主要建议是不要在这里使用遗传算法!
如果你坚持,你需要做的是检测不良参数,然后简单地为坏初始化返回一个坏分数,这样他们就不会“活下来”。
答案 1 :(得分:2)
要回答您的问题,请执行以下操作:
any(corpus[520, -1] != corpus[564, -1])
您的520和564行corpus
是相同的,只有row.names
属性的唯一区别,请参阅:
identical(colnames(corpus[520, -1]), colnames(corpus[564, -1])) # just to be sure
rownames(corpus[520, -1])
rownames(corpus[564, -1])
关于GA和k-means,参见例如: