功能介绍

二分k均值算法是k-means聚类算法的一个变体，主要是为了改进k-means算法随机选择初始质心的随机性造成聚类结果不确定性的问题.

参数说明

名称 中文名称 描述 类型 是否必须？ 默认值
minDivisibleClusterSize 最小可分裂的聚类大小 最小可分裂的聚类大小 Integer 1
k 聚类中心点数目 聚类中心点数目 Integer 4
distanceType 距离度量方式 聚类使用的距离类型，支持EUCLIDEAN（欧式距离）和 COSINE（余弦距离） String “EUCLIDEAN”
vectorCol 向量列名 向量列对应的列名 String ✓
maxIter 最大迭代步数 最大迭代步数，默认为 10。 Integer 10
predictionCol 预测结果列名 预测结果列名 String ✓
predictionDetailCol 预测详细信息列名 预测详细信息列名 String
reservedCols 算法保留列名 算法保留列 String[] null

脚本示例

脚本代码

  1. import numpy as np
  2. import pandas as pd
  3. data = np.array([
  4.     [0, "0 0 0"],
  5.     [1, "0.1,0.1,0.1"],
  6.     [2, "0.2,0.2,0.2"],
  7.     [3, "9 9 9"],
  8.     [4, "9.1 9.1 9.1"],
  9.     [5, "9.2 9.2 9.2"]
  10. ])
  11. df = pd.DataFrame({"id": data[:, 0], "vec": data[:, 1]})
  12. inOp = BatchOperator.fromDataframe(df, schemaStr='id int, vec string')
  13. kmeans = BisectingKMeans().setVectorCol("vec").setK(2).setPredictionCol("pred")
  14. kmeans.fit(inOp).transform(inOp).collectToDataframe()

脚本运行结果

预测结果
  1. rowId    id    vec    pred
  2. 0    0    0 0 0    0
  3. 1    1    0.1,0.1,0.1    0
  4. 2    2    0.2,0.2,0.2    0
  5. 3    3    9 9 9    1
  6. 4    4    9.1 9.1 9.1    1
  7. 5    5    9.2 9.2 9.2    1