apache-spark - KMeans 的不平衡因子？

Question

编辑:这个问题的答案在:Sum in Spark gone bad中有大量讨论。

<小时/>

在 Compute Cost of Kmeans ，我们看到了如何计算 KMeans 模型的成本。我想知道我们是否能够计算不平衡因子？

如果Spark没有提供这样的功能，有什么简单的方法可以实现吗？

<小时/>

我无法找到不平衡因子的引用，但它应该类似于 Yael 的 unbalanced_factor (我的评论):

// @hist: the number of points assigned to a cluster
// @n:    the number of clusters
double ivec_unbalanced_factor(const int *hist, long n) {
  int vw;
  double tot = 0, uf = 0;

  for (vw = 0 ; vw < n ; vw++) {
    tot += hist[vw];
    uf += hist[vw] * (double) hist[vw];
  }

  uf = uf * n / (tot * tot);

  return uf;

}

我发现了here .

所以想法是tot (总计)将等于分配给簇的点数(即等于我们数据集的大小)，而 uf (对于不平衡因子)保存分配给簇的点数的平方。

最后他使用了uf = uf * n / (tot * tot);来计算它。

Answer 1

在python中它可能是这样的:

# I suppose you are passing an RDD of tuples, where the key is the cluster and the value is a vector with the features.
def unbalancedFactor(rdd):
  pdd = rdd.map(lambda x: (x[0], 1)).reduceByKey(lambda a, b: a + b) # you can obtain the number of points per cluster
  n = pdd.count()
  total = pdd.map(lambda x: x[1]).sum() 
  uf = pdd.map(lambda x: x[1] * float(x[1])).sum()

  return uf * n / (total * total)