java - 用 weka 聚集相互作用的粒子

Question

我有一个聚类问题可以这样总结:

• 我在 3D 空间中有 N 个粒子
• 每个粒子可以与不同数量的其他粒子相互作用
• 每次互动都有优势
• 我不知道先验的簇数
• 我没有学习样本(应该是无人监督的)

输出:我想得到:

• 簇数
• 每个粒子成为簇一部分的概率(以便能够移除未明确分配的粒子)
• 我想直接从我的 java 代码调用聚类器。

问题:

• 哪种聚类器最适合我的问题？
• 我应该如何格式化我的数据？
• 我应该使用 3D 定位信息来补充交互信息吗？
• 如何获得每个粒子的结果？

我对 weka 很陌生，但是从我在 Internet 上可以找到的信息来看:

• SOM 可以解决我的问题
• 这是一个多实例问题，但我可以找到任何展示如何创建关系数据的示例。 SOM 是否支持关系属性？

感谢您的帮助。让诺

Answer 1

Weka 在集群方面非常“有限”。它只有很少的聚类算法，而且非常有限。我不确定您是否可以将交互强度放入任何 Weka 聚类算法中。

您可能想看看 ELKI .它拥有比 Weka 更先进的聚类算法，而且它们非常灵活。例如，您可以轻松定义自己的距离函数 (Tutorial) 并将其用于任何基于距离的聚类算法。

选择合适的聚类算法不是我们在这里可以回答的。您需要尝试一些并尝试不同的参数。您应该首先尝试回答的关键问题是:什么是对您有用的集群？

您已经开始提出其中一些问题。例如，您是只想使用交互强度，还是还包括位置信息。但由于我不知道您想实现什么，所以我无法告诉您如何。

一定要看看 DBSCAN 和 OPTICS 算法(尤其是 OPTICS，不要使用 Weka 中的算法。它速度慢、不完整且无人维护!)。也许开始阅读他们的维基百科文章，如果这对您的任务有意义的话。这就是我认为它们对您有帮助的原因:

• 他们不需要知道聚类的数量(与 k-means 和 EM 聚类不同)
• 他们需要一个“最小点数”参数，本质上是一个“最小簇大小”；它控制结果的细粒度。增加它以获得更少和更大的集群。
• 他们可以使用任意距离或相似度函数(例如，交互强度)。对于 DBSCAN，您需要设置一个阈值以考虑显着性，对于 OPTICS，这不是必需的。

接下来，我可能会使用 OPTICS 的交互强度数据，并尝试对集群进行 Xi 提取，如果它们对您的用例有意义的话。 (Weka 没有 Xi 提取)。或者先查看 OPTICS 图，看看您的相似性和 MinPts 参数是否真的产生了 OPTICS 所需的“谷”。DBSCAN 速度更快，但您需要固定距离阈值。如果您的数据集非常大，您可能希望从样本上的 OPTICS 开始，然后决定几个 epsilon 值并使用这些值在完整数据集上运行 DBSCAN。

不过，请从这里开始阅读，看看这对您的任务是否有意义:

https://en.wikipedia.org/wiki/DBSCAN#Basic_idea