K均值:初始中心并不明显

Question

我正在使用GA包,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,可以在这里下载.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种群.

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.我在哪里评估生成的每个解决方案的DBI initial_population.

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) 
}

3.运行GA.有了这些设置.

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.

我在这里发现了类似的问题,用户还必须使用参数动态传递要使用的簇数.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,其中那些1's将代表初始质心.

检查kmeans() 代码,我注意到错误是由重复的中心引起的:

if(any(duplicated(centers)))
        stop("initial centers are not distinct")

我编辑了该kmeans函数trace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"

这显示随机选择没有重复,initial_centroids我不知道为什么这个错误不断发生.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均值问题(至少在解决initial centers are not distinct错误时).

Answer 1

从问题的本质来看，遗传算法不太适合优化 k 均值 - 初始化种子相互作用太多，ga 不会比对所有可能的种子进行随机采样更好。

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，你需要做的是检测坏参数，然后简单地返回坏初始化的坏分数，这样它们就不会“生存”。