Участник:Шишков Илья Сергеевич/Алгоритм HCM (Hard C – Means)
| Алгоритм HCM (Hard C – Means) | |
| Последовательный алгоритм | |
| Последовательная сложность | [math]\displaystyle{ O(n^3) }[/math] |
| Объём входных данных | [math]\displaystyle{ O(n^2) }[/math] |
| Объём выходных данных | [math]\displaystyle{ O(n^2) }[/math] |
| Параллельный алгоритм | |
| Высота ярусно-параллельной формы | [math]\displaystyle{ }[/math] |
| Ширина ярусно-параллельной формы | [math]\displaystyle{ }[/math] |
Основные авторы описания: Илья Шишков, Гульгайша Темербекова
Свойства и структура алгоритма
Общее описание алгоритма
Алгоритм HCM (Строгий алгоритм С-средних) был предложен группой исследователей(Jang, Sun and Mizutani) в 1997 и относится к классу алгоритмов со строгой кластеризаций.
Кластеризацией называется подход к описанию данных, в котором наиболее схожие данные объединяются в группы(кластеры). Кластеризация является распространенным подходом для анализа данных и используется во многих сферах научной деятельности, таких как машинное обучение, анализ данных, распознавание шаблонов, анализ изображений и биоинформатика.
Кластеризация представляет собой комбинирование рассматриваемых объектов так, чтобы каждая группа объектов обладала схожим свойством. В общем случае кластеризация характеризуются следующими критериями: - Каждая группа или кластер однородны; объекты, принадлежащие одной группе имеют схожие свойства; - Каждая группа или кластер отличаются от других кластеров т.е. объекты, принадлежащие одному кластеру, должны отличатся от объектов других кластеров
В строгой кластеризации наборы данных разделяются на кластеры однозначно. Каждый набор данных может относится только к одному кластеру. Строгой кластеризации характеризуется следующими свойствами: - Используется для классификации данных в однозначные наборы - Каждый набор данных принадлежит только одному кластеру - Кластеры также называют разделами - Результатом работы кластерного алгоритма является матрица соответствия которая показывает, к какому кластеру принадлежит каждый набор данных
В этом кластерном алгоритме не допускается частичное отношение к кластеру (как в FCM). HCM предназначен для классификации входных наборов в строгом смысле. В строгом алгоритме С-средних данные классифицируются по кластерам однозначно, т.е. при определенном заранее критерии, каждый элемент данных может принадлежать одному и только одному кластеру.
Алгоритм HCM является итеративным и состоит из нескольких шагов:
1.Инициализация:
Случайным образом определяются C векторов - центров кластеров
2. Расчет рядовой матрицы:
В процессе расчета рядовой матрицы каждый вектор сравнивается с ближайшим кластерным центром
3. Расчет оценочной функции:
Проверка условия, при котором алгоритм завершает работу и вывод результата в этом случае
4. Переопределение кластерных центров
Пункты 2-4 выполняются до тех пор, пока в пункте 3 проверка не станет успешной.
Математическое описание алгоритма
Обозначения
[math]\displaystyle{ X }[/math] - наборы данных
[math]\displaystyle{ X_{i} }[/math] - i-ый набор из [math]\displaystyle{ X }[/math]
[math]\displaystyle{ x }[/math] - любой набор из [math]\displaystyle{ X }[/math]
[math]\displaystyle{ n }[/math] - количество наборов в [math]\displaystyle{ X }[/math]
[math]\displaystyle{ N }[/math] - кластерный центр после обновления
[math]\displaystyle{ V_{j} }[/math] - j-ый кластер
[math]\displaystyle{ C }[/math] - количество кластеров
[math]\displaystyle{ v_{j} }[/math] - j-ый кластерный центр
[math]\displaystyle{ v^*_{j} }[/math] - j-ый кластерный центр после обновления
Выходные данные: [math]\displaystyle{ V_{1}, V_{2}, ... V_{C} }[/math]
Объектная функция:
[math]\displaystyle{ J=\sum_{j = 1}^{C} \sum_{x_{i} \in v_{j}}^{} \|x_{i}-v_{j}\|^2, j \in 1,2, ... C, i={1,2, ...n} }[/math]
Шаг 1
Из входного набора [math]\displaystyle{ X_{1},X_{2}, ... X_{n} }[/math] выбираются [math]\displaystyle{ C }[/math] начальных кластерных центра [math]\displaystyle{ v_{1},v_{2},...,v_{C} }[/math]либо случайным образом, либо с использованием заранее определенного алгоритма
Шаг 2
Рассчитывается рядовая матрица [math]\displaystyle{ M=\|m_{ik}\| }[/math] каждый элемент которой вычисляется по следующей формуле:
- [math]\displaystyle{ m_{ik} = \begin{cases} 1, & \|u_k-c_i\|^2 \leqslant \|u_k-c_j\|^2 \;\; \text{for all } i \neq j; \;\; (i,j=1,2,\ldots,C; \; k = 1,2,\ldots,N)\\ 0, & \text{otherwise}. \end{cases} }[/math]
Шаг 3
Рассчитывается объектная функция J. На этом этапе может быть инициировано завершение алгоритма в случае если значение объектной функции незначительно изменилось относительно предыдущей итерации или достигло ожидаемого значения.
Шаг 4
Рассчитываются новые кластерные центры по следующей формуле:
[math]\displaystyle{ v^*_{j} = \frac{1}{|v_{j}|} \sum_{x_{i} \in v_{j}}^{} x_{i}, j=1,2,3..,C }[/math]
где [math]\displaystyle{ |v_{j}| }[/math] - число элементов, принадлежащих кластеру [math]\displaystyle{ v_{j} }[/math]
Шаг 5
Если алгоритм не завершил свою работу на шаге 3 то переходим к шагу 2.
Вычислительное ядро алгоритма
Вычислительным ядром данного алгоритма является вычисление на каждой итерации алгоритма квадратов норм между кластерными центрами и векторами из входного набор согласно формуле [math]\displaystyle{ \|u_k-c_i\|^2 }[/math]. На каждой итерации алгоритма происходит [math]\displaystyle{ CN }[/math] таких вычислений.
Макроструктура алгоритма
Схема реализации последовательного алгоритма
Последовательность исполнения метода следующая:
1. Инициализация кластерных центров [math]\displaystyle{ c_i \, (i=1,2,\ldots,c) }[/math]. Это можно сделать выбрав случайным образом [math]\displaystyle{ c }[/math] – векторов из входного набора.
2. Вычисление рядовой матрицы [math]\displaystyle{ M }[/math]:
- [math]\displaystyle{ m_{ik} = \begin{cases} 1, & \|u_k-c_i\|^2 \leqslant \|u_k-c_j\|^2 \;\; \text{for all } i \neq j; \;\; (i,j=1,2,\ldots,c; \; k = 1,2,\ldots,K) \\ 0, & \text{other}. \end{cases} }[/math]
где К – количество элементов во входном наборе данных.
Матрица [math]\displaystyle{ M }[/math] обладает следующими свойствами:
- [math]\displaystyle{ \sum\limits_{i=1}^c m_{ij} = 1, \;\; \sum\limits_{j=1}^K m_{ij} = K. }[/math]
3. Расчёт объектной функции:
- [math]\displaystyle{ J = \sum\limits_{i=1}^c J_i = \sum\limits_{i=1}^c \left( \sum\limits_{k:\, u_k \in C_i} \|u_k -c_i \|^2 \right) . }[/math]
На этом шаге происходит остановка и выход из цикла, если полученное значение ниже пороговой величины или полученное значение не сильно отличается от значений, полученных на предыдущих циклах.
4. Пересчёт кластерных центров выполняется в соответствии со следующим уравнением:
- [math]\displaystyle{ c_i = \frac{1}{|C_i|} \sum\limits_{k:\, u_k \in C_i} u_k, }[/math]
где под [math]\displaystyle{ |C_i| }[/math] подразумевается количество элементов в [math]\displaystyle{ i }[/math]-ом кластере.
5. на шаг 2.
Последовательная сложность алгоритма
Каждая операция вычисления квадрата нормы разности векторов выполненяет [math]\displaystyle{ n }[/math] вычитаний, [math]\displaystyle{ n-1 }[/math] сложений и [math]\displaystyle{ n }[/math] операций возведения в квадрат (умножений).
Для каждой итерации алгоритма требуется:
- [math]\displaystyle{ ncK }[/math] умножений,
- [math]\displaystyle{ ncK }[/math] вычитаний,
- [math]\displaystyle{ K(c+cn+1) }[/math] сложений,
- [math]\displaystyle{ \frac{c(c+1)K}{2} }[/math] сравнений.
Умножения, сложения (вычитания), сравнения составляют основную часть алгоритма.
Итоговая сложность последовательной реализации алгоритма [math]\displaystyle{ O(ncK) }[/math]. Обычно [math]\displaystyle{ n }[/math], [math]\displaystyle{ c }[/math] значительно меньше, чем [math]\displaystyle{ K }[/math].
Информационный граф
опишем граф как аналитически, так и в виде рисунка.
Граф алгоритма состоит из пяти групп вершин.
Первая группа вершин [math]\displaystyle{ c_1,...,c_c }[/math] - прямое вычисление расстояния до кластерных центров, то есть вычисление расстояний от заданного элемента [math]\displaystyle{ u_i }[/math] до каждого из кластерных центров.
Вторая группа вершин min - ей соответствует вычисление минимального расстояния до кластерных центров,передача найденного минимального расстояния и соответствующего ему индекса кластера.
Третья группа вершин M - ей соответствует операция записи единички в столбец матрицы.
Четвертая группа вершин J - вычисление объектной функции, происходит проверка условия достижения необходимой точности, если достигли заданной точности то переход в Out, в противном случае Conversion.
Пятая группа вершин Conversion - пересчёт кластерных центров и переход на следующую итерацию.
На рисунке изображена одна итерация алгоритма.
Свойства алгоритма
Назначение: кластеризация больших наборов числовых данных.
Достоинства: легкость реализации,вычислительная простота.
Недостатки: задание количества кластеров,отсутствие гарантии в нахождении оптимального решения