-
Notifications
You must be signed in to change notification settings - Fork 0
/
list_of_clusters.py
270 lines (223 loc) · 9.32 KB
/
list_of_clusters.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
"""Algoritmo de clustering List of Clusters"""
# Author: Juan Martín Loyola <[email protected]>
import numpy as np
from scipy.spatial import distance
np.random.seed(0)
def get_distance(X, D, i, j, distance_metric='euclidean'):
if D[i,j] == -1:
D[i,j] = distance.cdist(X[i].reshape(1,X.shape[1]),
X[j].reshape(1,X.shape[1]),
distance_metric)
D[j,i] = D[i,j]
return D[i,j]
def build_list_clusters(X, center_choise, fixed_radius,
fixed_size, distance_metric):
"""Algoritmo de clustering List of Clusters.
Parámetros
----------
X : arreglo, tamaño (n_samples, n_features)
Las observaciones a clusterizar.
center_choise : {'p1', 'p2', 'p3', 'p4', 'p5'}, opcional,
por defecto: 'p1'
Heurística de selección del centro:
- 'p1': aleatoria
- 'p2': el elemento más cercano al centro anterior
en el conjunto restante
- 'p3': el elemento más alejado al centro anterior
en el conjunto restante
- 'p4': el elemento que minimice la suma de las
distancia a los centros previos
- 'p5': el elemento que maximice la suma de las
distancia a los centros previos
fixed_radius : float, opcional, por defecto: None
La longitud de radio de cada cluster.
fixed_size : int, opcional, por defecto: None
El número de elementos en cada cluster.
distance_metric : {'euclidean', 'cityblock'}, opcional,
por defecto: 'euclidean'
La medida de distancia a considerar.
Retorna
-------
centroid : float ndarray
centros encontrados.
radius : integer ndarray
radius[i] es el radio del i'esimo centroide.
label : integer ndarray con tamaño (n_samples,)
label[i] es el codigo o indice del centroide del cluster al
que elemento i'esimo pertenece.
"""
n_samples, n_features = X.shape
D = -np.ones((n_samples, n_samples))
centers = []
centers_idx = []
radius = []
labels = -np.ones((n_samples,))
label_counter = 0
elementos_restantes = list(range(n_samples))
while elementos_restantes:
if center_choise == 'p1':
c = np.random.choice(elementos_restantes, size=1)
elif center_choise == 'p2':
if centers == []:
c = np.random.choice(elementos_restantes, size=1)
else:
last_center_idx = centers_idx[-1]
min_dist = np.inf
idx_min_dist = None
for r in elementos_restantes:
dist = get_distance(X, D, last_center_idx, r,
distance_metric)
if dist < min_dist:
min_dist = dist
idx_min_dist = r
c = idx_min_dist
elif center_choise == 'p3':
if centers == []:
c = np.random.choice(elementos_restantes, size=1)
else:
last_center_idx = centers_idx[-1]
max_dist = -np.inf
idx_max_dist = None
for r in elementos_restantes:
dist = get_distance(X, D, last_center_idx, r,
distance_metric)
if max_dist < dist:
max_dist = dist
idx_max_dist = r
c = idx_max_dist
elif center_choise == 'p4':
if centers == []:
c = np.random.choice(elementos_restantes, size=1)
else:
min_dist = np.inf
idx_min_dist = None
for r in elementos_restantes:
suma_dist = 0
for x in centers_idx:
suma_dist += get_distance(X, D, r, x, distance_metric)
if suma_dist < min_dist:
min_dist = suma_dist
idx_min_dist = r
c = idx_min_dist
elif center_choise == 'p5':
if centers == []:
c = np.random.choice(elementos_restantes, size=1)
else:
max_dist = -np.inf
idx_max_dist = None
for r in elementos_restantes:
suma_dist = 0
for x in centers_idx:
suma_dist += get_distance(X, D, r, x, distance_metric)
if max_dist < suma_dist:
max_dist = suma_dist
idx_max_dist = r
c = idx_max_dist
# Transformamos en vector (n_features,) la matriz de dos
# dimensiones (1, n_features).
np_c = X[c].flatten()
# Agregamos el centro actual a la lista de centros.
centers.append([x for x in np_c])
centers_idx.append(c)
elementos_restantes.pop(elementos_restantes.index(c))
labels[c] = label_counter
if fixed_size is None:
for r in list(elementos_restantes):
dist = get_distance(X, D, c, r, distance_metric)
if dist < fixed_radius:
labels[r] = label_counter
elementos_restantes.pop(elementos_restantes.index(r))
radius.append(fixed_radius)
else:
for r in elementos_restantes:
_ = get_distance(X, D, c, r, distance_metric)
sorted_idx = np.argsort(D[elementos_restantes,c])
in_cluster = []
for j in sorted_idx[:fixed_size].tolist():
in_cluster.append(elementos_restantes[j])
max_distance = get_distance(X, D, c, in_cluster[-1], distance_metric)
labels[in_cluster] = label_counter
for x in in_cluster:
elementos_restantes.pop(elementos_restantes.index(x))
radius.append(max_distance)
label_counter += 1
return np.array(centers), np.array(radius), labels
class ListOfClusters():
"""Algoritmo de clustering ListOfClusters
Parámetros
----------
center_choise : {'p1', 'p2', 'p3', 'p4', 'p5'}, opcional, por defecto: 'p1'
Heurística de selección del centro:
- 'p1': aleatoria
- 'p2': el elemento más cercano al centro anterior
en el conjunto restante
- 'p3': el elemento más alejado al centro anterior
en el conjunto restante
- 'p4': el elemento que minimice la suma de las
distancia a los centros previos
- 'p5': el elemento que maximice la suma de las
distancia a los centros previos
fixed_radius : float, opcional, por defecto: None
La longitud de radio de cada cluster.
fixed_size : int, opcional, por defecto: None
El número de elementos en cada cluster.
distance_metric : {'euclidean', 'cityblock'}, opcional,
por defecto: 'euclidean'
La medida de distancia a considerar.
Atributos
----------
cluster_centers_ : array, [n_clusters, n_features]
Coordenadas a los centros de los clusters.
cluster_radius_ : array, (n_clusters,)
Radios de los clusters.
labels_ :
Categoria de cada punto.
Ejemplo
--------
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
... [4, 2], [4, 4], [4, 0]])
>>> lc = ListOfClusters().fit(X)
>>> lc.labels_
array([0, 0, 0, 1, 1, 1], dtype=int32)
>>> lc.cluster_centers_
array([[ 1., 2.],
[ 4., 2.]])
"""
def __init__(self, center_choise='p1', fixed_radius=1.0,
fixed_size=None, distance_metric='euclidean'):
self.center_choise = center_choise
self.fixed_radius = fixed_radius
self.fixed_size = fixed_size
self.distance_metric = distance_metric
def fit(self, X, y=None):
"""Cálculo de la Lista de Clusters.
Parámetros
----------
X : arreglo, tamaño (n_samples, n_features)
Las observaciones a clusterizar.
y : Ignorado
"""
self.cluster_centers_, self.cluster_radius_, self.labels_ = \
build_list_clusters(
X, center_choise=self.center_choise,
fixed_radius=self.fixed_radius,
fixed_size=self.fixed_size,
distance_metric=self.distance_metric)
return self
def fit_predict(self, X, y=None):
"""Cálculo de los centros de clusters y predicción del índice
de cluster para cada instancia.
Método conveniente; equivalente a llamar a fit(X) seguido
de predict(X).
Parámetros
----------
X : arreglo, tamaño (n_samples, n_features)
Nueva data para transformar.
u : Ignorado
Retorna
-------
labels : array, tamaño [n_samples,]
Índice de los clusters a los que pertenece cada instancia.
"""
return self.fit(X).labels_