用dtwclust软件包评价时间序列聚类中“k”的最优数目

Question

我使用以下tsclust语句对数据进行聚类

SURFSKINTEMP_CLUST <- tsclust(SURFSKINTEMP, k = 10L:20L,
                       distance = "dtw_basic", centroid = "dba",
                       trace = TRUE, seed = 938,
                       norm = "L2", window.size = 2L,
                       args = tsclust_args(cent = list(trace = TRUE)))

SURFSKINTEMP很大

str(SURFSKINTEMP)
List of 327239
 $ V1     : num [1:7] 0.13 0.631 -0.178 0.731 0.86 ...
 $ V2     : num [1:6] 0.117 -0.693 -0.911 -0.911 -0.781 ...
 $ V3     : num [1:7] 0.117 -0.693 -0.911 -0.911 -0.781 ...
 $ V4     : num [1:6] -0.693 -0.911 -0.911 -0.781 -0.604 ...

然后，我希望使用cvi来评估最优簇数“k”。

names(SURFSKINTEMP_CLUST) <- paste0("k_",10L:20L)
sapply(SURFSKINTEMP_CLUST, cvi, type = "internal")

但是，有一个错误

> sapply(SURFSKINTEMP_CLUST, cvi, type = "internal")
Error: cannot allocate vector of size 797.8 Gb

在我的情况下，如何评估簇“k”的最佳数目？

Answer 1

指定type = "internal"将尝试计算7个指标:剪影、邓恩、COP、DB、DB*、CH和SF。正如cvi的文档中所提到的，前3将尝试计算整个跨距离矩阵，在您的例子中，这将是一个327,239 x 327,239矩阵；您将很难找到一台能够分配该矩阵的计算机，计算将花费很长时间。

由于您将DBA用于质心，所以您可以看到DB或DB*对您的应用程序是否有意义

sapply(SURFSKINTEMP_CLUST, cvi, type = c("DB", "DBstar"))

您还可以查看稍微简单的弯头法，同时要记住，您可以使用以下方法计算平方误差之和(请参阅TSClusters-class文档)：

sapply(SURFSKINTEMP_CLUST, function(cl) { sum(cl@cldist ^ 2) })

Answer 2

错误消息表明，您正在尝试生成比可用资源所支持的更多的数据。在这种情况下，尝试对一个较小的样本进行分析。重复分析几次。

reps = 1000
samp_size = 10000
result <- c()
for(j in 1:reps){
    sample = SURFSKINTEMP[sample(seq_along(SURFSKINTEMP, samp_size)),]
    sample_clust <- tsclust(SURFSKINTEMP, k = 10L:20L,
                   distance = "dtw_basic", centroid = "dba",
                   trace = TRUE, seed = 938,
                   norm = "L2", window.size = 2L,
                   args = tsclust_args(cent = list(trace = TRUE)))

    result[j] <- sapply(sample_clust, cvi, type = "internal")

}

提供可以检查的结果列表。