我在某个任意空间中有 n
个数据点,并将它们聚类。
我的聚类算法的结果是一个由长度为 n
的 int vector l
表示的分区,将每个点分配给一个聚类。 l
的值范围从 0 到(可能)n-1
。
例子:
l_1 = [ 1 1 1 0 0 2 6 ]
将 n=7
点划分为 4 个簇:前三个点聚集在一起,第四个和第五个点聚集在一起,最后两个点形成两个不同的单例簇。
我的问题:
假设我有两个分区 l_1
和 l_2
我怎样才能有效地确定它们是否代表相同的分区?
例子:
l_2 = [ 2 2 2 9 9 3 1 ]
与 l_1
相同,因为它表示点的相同分区(尽管集群的“数字”/“标签”不相同)。
另一方面
l_3 = [ 2 2 2 9 9 3 3 ]
不再相同,因为它将最后两点组合在一起。
我正在寻找 C++、python 或 Matlab 中的解决方案。
不需要的方向
一种天真的方法是比较共现矩阵
c1 = bsxfun( @eq, l_1, l_1' );
c2 = bsxfun( @eq, l_2, l_2' );
l_1_l_2_are_identical = all( c1(:)==c2(:) );
共现矩阵 c1
的大小为 n
xn
且 true
如果点 k
和 m
在同一簇中,否则为 false
(无论簇“number”/“label”如何)。
因此,如果共现矩阵 c1
和 c2
相同,则 l_1
和 l_2
表示相同的分区。
但是,由于点数 n
可能非常大,我想避免 O(n^2
) 的解决方案...
有什么想法吗?
谢谢!
最佳答案
什么时候两个分区相同?
可能如果他们有完全相同的成员。
因此,如果您只是想测试身份,您可以执行以下操作:
用分区中的最小对象 ID 替换每个分区 ID。
那么两个分区是相同的当且仅当这个表示是相同的。
在上面的示例中,假设 vector 索引 1 .. 7 是您的对象 ID。然后我会得到规范形式
[ 1 1 1 4 4 6 7 ]
^ first occurrence at pos 1 of 1 in l_1 / 2 in l_2
^ first occurrence at pos 4
对于 l_1 和 l_2,而 l_3 规范化为
[ 1 1 1 4 4 6 6 ]
为了更清楚,这里是另一个例子:
l_4 = [ A B 0 D 0 B A ]
规范化为
[ 1 2 3 4 3 2 1 ]
因为簇“A”第一次出现在位置 1,“B”在位置 2 等。
如果您想衡量两个聚类的相似程度,一个好的方法是查看对象对的精度/召回率/f1,其中当且仅当 (a,b) 对存在如果 a 和 b 属于同一个簇。
更新:既然有人声称这是二次的,我会进一步澄清。
要生成规范形式,请使用以下方法(实际 python 代码):
def canonical_form(li):
""" Note, this implementation overwrites li """
first = dict()
for i in range(len(li)):
v = first.get(li[i])
if v is None:
first[li[i]] = i
v = i
li[i] = v
return li
print canonical_form([ 1, 1, 1, 0, 0, 2, 6 ])
# [0, 0, 0, 3, 3, 5, 6]
print canonical_form([ 2, 2, 2, 9, 9, 3, 1 ])
# [0, 0, 0, 3, 3, 5, 6]
print canonical_form([ 2, 2, 2, 9, 9, 3, 3 ])
# [0, 0, 0, 3, 3, 5, 5]
print canonical_form(['A','B',0,'D',0,'B','A'])
# [0, 1, 2, 3, 2, 1, 0]
print canonical_form([1,1,1,0,0,2,6]) == canonical_form([2,2,2,9,9,3,1])
# True
print canonical_form([1,1,1,0,0,2,6]) == canonical_form([2,2,2,9,9,3,3])
# False
关于c++ - 如何确定数据点的两个分区(聚类)是否相同?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15524077/