对HDBSCAN使用可调用度量*

Question

我想用HDBSCAN*集群一些数据。

距离是由两个值的某些参数的函数计算的，因此，如果数据如下所示：

    label1 | label2 | label3
0    32        18.5     3
1    34.5      11       12
2    ..        ..      ..
3    ..        ..      ..

两个样本之间的距离将类似于：

def calc_dist(i,j)
     return 0.5 * dist_label1_func(data.iloc[i]['label1],data.iloc[j]['label1] + 
     0.4 * dist_label2_func(data.iloc[i]['label2],data.iloc[j]['label2] +
     0.1 * dist_label3_func(data.iloc[i]['label3],data.iloc[j]['label3]

由于数据的大小，我无法计算距离矩阵，所以看来可调用是我唯一的选择。

我的代码看起来是：

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(i=i,j=j)

错误：fit() got an unexpected keyword argument 'i

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(i,j)

错误：ValueError: Expected 2D array, got scalar array instead:array=4830. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

它不起作用，我还尝试将fit中的参数更改为原始数据集名称：

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(data)

错误：raise ValueError("Found array with dim %d. %s expected <= 2.") ValueError: setting an array element with a sequence.

但它也不能接受。

我错过了什么？

Answer 1

通常回调会得到向量，而不是行索引。

所以也许你可以用：

def calc_dist(i,j):
     return 0.5 * dist_label1_func(i['label1],j['label1]) + 
            0.4 * dist_label2_func(i['label2],j['label2]) +
            0.1 * dist_label3_func(i['label3],j['label3])

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(data.iloc)

或者，如果类型妨碍您的方式，您可以使用一个索引数组与您的原始距离：

def calc_dist(i,j):
     i, j = int(i[0]), int(j[0])
     return 0.5 * dist_label1_func(data.iloc[i]['label1],data.iloc[j]['label1]) + 
            0.4 * dist_label2_func(data.iloc[i]['label2],data.iloc[j]['label2]) +
            0.1 * dist_label3_func(data.iloc[i]['label3],data.iloc[j]['label3])

range = np.arange(0, len(data), dtype=np.int8).reshape(-1, 1)
clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(range)

请注意，、sklearn和具有自定义度量的类似python库的性能可能非常差。Numba可能有助于或可能无助于提高性能；对于足够小的数据，通常建议计算成对的矩阵并使用metric="precomputed"，因为通常编写高效的代码来预计算矩阵(并使用现有的有效代码来处理预先计算的矩阵)要比在库代码中获得自定义度量高效得多。这是因为python是被解释的，所以每一段距离的计算都需要通过解释器。具有强大JIT编译器的Java等语言在优化此类情况方面往往更好。