100万个对象的层次聚类

Posted 2023-03-12

【中文标题】100万个对象的层次聚类

【英文标题】：Hierarchical clustering of 1 million objects

【发布时间】：2012-02-27 17:48:29

【问题描述】：

谁能给我指出一个可以聚类约 100 万个对象的层次聚类工具（最好在 python 中）？我试过hcluster 和Orange。

hcluster 在处理 18k 个对象时遇到问题。 Orange 能够在几秒钟内聚集 18k 个对象，但以 100k 个对象失败（内存饱和并最终崩溃）。

我在 Ubuntu 11.10 上运行 64 位 Xeon CPU (2.53GHz) 和 8GB RAM + 3GB 交换。

【问题讨论】：

你在 2d, 3d, 10d, 128d 中的分数是多少？

@Denis 我不明白你的意思。因此，限制似乎源于这样一个事实，即 1M 对象的 nxn 距离矩阵无法放入内存中，并且我上面提到的每个聚类库（橙色和 scipy）都将内存中的距离矩阵作为输入（这不是可以作为 1M 对象的输入...）

点/对象是简单的文本文件，我试图根据它们包含的文本进行聚类......如果这是 2d 还是什么，你能解释一下吗？谢谢。

@user940154 2d 或 nd 的概念是您在哪个特征维度上操作？因此，如果您附加到每个单词“长度”和“起始字母”特征，那将是 2d 特征空间。高维和稀疏数据需要特殊的数据结构来进行高效的聚类。

【参考方案1】：

要击败 O(n^2)，您必须首先减少 1M 点（文档） 例如1000 堆每堆 1000 点，或 100 堆每堆 10k，或 ... 两种可能的方法：

从 15k 点构建一个层次树，然后将其余的逐一添加： 时间 ~ 1M * 树深度

首先构建 100 或 1000 个扁平集群， 然后构建 100 或 1000 个集群中心的层次树。

这两种方法的效果如何取决于关键 关于目标树的大小和形状—— 多少级，多少片叶子？ 你用的是什么软件， 您需要多少小时/天进行聚类？

对于扁平集群方法， K-d_trees 对于 2d、3d、20d 甚至 128d 的点都可以正常工作——不是你的情况。 我对聚类文本几乎一无所知。 Locality-sensitive_hashing?

看看scikit-learn clustering -- 它有几种方法，包括 DBSCAN。

添加：另见google-all-pairs-similarity-search “在稀疏向量数据中查找所有相似向量对的算法”，Beyardo 等人。 2007SO hierarchical-clusterization-heuristics

【讨论】：

我认为在层次聚类方面没有通用的方法可以击败O(n^2)。您可以针对单链接的特定情况做一些事情（请参阅我的回复），当然您也可以使用 other 算法（例如DBSCAN）。无论如何，对于这种大数据而言，这比层次聚类要明智得多。请注意，scikit-learns DBSCAN 是 O(n^2)，因为 AFAIK 不使用索引。

On O(n^2)：如果你接受更高的错误率，你可以采样（我的第一个小建议），或者 LSH。有很多 papers on fast clustering 其中一些是只写的。关于层次聚类，我同意，但如果 OP 能说出他或她想要多大的树，以及为什么，那就太好了。

【参考方案2】：

问题可能是他们会尝试计算完整的 2D 距离矩阵（大约 8 GB 天真双精度），然后他们的算法无论如何都会在O(n^3) 时间运行。

您应该认真考虑使用不同的聚类算法。层次聚类很慢，而且结果通常根本不能令人信服。特别是对于数以百万计的对象，您不能只查看树状图来选择合适的切割。

如果你真的想继续层次聚类，我相信ELKI（虽然是Java）有一个O(n^2) 实现SLINK。 100 万个对象的速度应该大约是 100 万倍。我不知道他们是否也有CLINK。而且我不确定是否真的有任何 sub-O(n^3) 算法用于除单链接和完整链接之外的其他变体。

考虑使用其他算法。例如，k-means 可以很好地随对象的数量缩放（通常也不是很好，除非您的数据非常干净和规则）。我认为DBSCAN 和OPTICS 相当不错，只要您对参数有所了解。如果您的数据集是低维的，则可以使用适当的索引结构很好地加速它们。如果您的索引具有O(log n) 查询时间，那么它们应该在O(n log n) 中运行。这可以对大型数据集产生巨大的影响。我个人在 110k 图像数据集上使用 OPTICS 没有问题，所以我可以想象它在您的系统上扩展到 100 万。