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.

Alink上算法括[二分K均值聚类训练]，[二分K均值聚类预测], [二分K均值聚类流式预测]

参数说明

训练

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

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. inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, vec string')
  13. inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, vec string')
  14. kmeans = BisectingKMeansTrainBatchOp().setVectorCol("vec").setK(2)
  15. predictBatch = BisectingKMeansPredictBatchOp().setPredictionCol("pred")
  16. kmeans.linkFrom(inOp1)
  17. predictBatch.linkFrom(kmeans, inOp1)
  18. [model,predict] = collectToDataframes(kmeans, predictBatch)
  19. print(model)
  20. print(predict)
  22. predictStream = BisectingKMeansPredictStreamOp(kmeans).setPredictionCol("pred")
  23. predictStream.linkFrom(inOp2)
  24. predictStream.print(refreshInterval=-1)
  25. StreamOperator.execute()

脚本运行结果

模型结果
  1. rowId   model_id                                         model_info
  2. 0         0  {"vectorCol":"\"vec\"","distanceType":"\"EUCLI...
  3. 1   1048576  {"clusterId":1,"size":6,"center":{"data":[4.6,...
  4. 2   2097152  {"clusterId":2,"size":3,"center":{"data":[0.1,...
  5. 3   3145728  {"clusterId":3,"size":3,"center":{"data":[9.1,...
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