数据挖掘笔记-聚类-Canopy-原理与简单实现

Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值 T1>T2来处理。基本的算法是，从一个点集合开始并且随机删除一个，创建一个包含这个点的Canopy，并在剩余的点集合上迭代。对于每个点，如果它的距离第一个点的距离小于T1，然后这个点就加入这个聚集中。除此之外，如果这个距离<T2，然后将这个点从这个集合中删除。这样非常靠近原点的点将避免所有的未来处理，不可以再做其它Canopy的中心。这个算法循环到初始集合为空为止，聚集一个集合的Canopies，每个可以包含一个或者多个点。每个点可以包含在多于一个的Canopy中。

Canopy算法其实本身也可以用于聚类，但它的结果可以为之后代价较高聚类提供帮助，其用在数据预处理上要比单纯拿来聚类更有帮助。Canopy聚类经常被用作更加严格的聚类技术的初始步骤，像是K均值聚类。建立canopies之后，可以删除那些包含数据点数目较少的canopy，往往这些canopy是包含孤立点的。

Canopy算法的步骤如下:

（1） 将所有数据放进list中，选择两个距离，T1，T2，T1>T2

（2）While(list不为空)

 { 

随机选择一个节点做canopy的中心；并从list删除该点；

遍历list：

对于任何一条记录，计算其到各个canopy的距离；

如果距离<T2,则给此数据打上强标记，并从list删除这条记录；

如果距离<T1,则给此数据打上弱标记；

如果到任何canopy中心的距离都>T1,那么将这条记录作为一个新的canopy的中心，并从list中删除这个元素；

}

需要注意的是参数的调整：
当T1过大时，会使许多点属于多个Canopy，可能会造成各个簇的中心点间距离较近，各簇间区别不明显；
当T2过大时，增加强标记数据点的数量，会减少簇个个数；T2过小，会增加簇的个数，同时增加计算时间；

下面用Java来简单实现算法，考虑简单，点只用了二维。

public class CanopyBuilder {private double T1 = 8;private double T2 = 4;private List<Point> points = null;private List<Canopy> canopies = null;public CanopyBuilder() {init();}public void init() {points = new ArrayList<Point>();points.add(new Point(8.1, 8.1));points.add(new Point(7.1, 7.1));points.add(new Point(6.2, 6.2));points.add(new Point(7.1, 7.1));points.add(new Point(2.1, 2.1));points.add(new Point(1.1, 1.1));points.add(new Point(0.1, 0.1));points.add(new Point(3.0, 3.0));canopies = new ArrayList<Canopy>();}//计算两点之间的曼哈顿距离public double manhattanDistance(Point a, Point b) {return Math.abs(a.getX() - b.getX()) + Math.abs(a.getY() - b.getY());}//计算两点之间的欧氏距离public double euclideanDistance(Point a, Point b) {double sum =  Math.pow(a.getX() - b.getX(), 2) + Math.pow(a.getY() - b.getY(), 2);return Math.sqrt(sum);}public void run() {while (points.size() > 0) {Iterator<Point> iterator = points.iterator();while (iterator.hasNext()) {Point current = iterator.next();System.out.println("current point: " + current);//取一个点做为初始canopyif (canopies.size() == 0) {Canopy canopy = new Canopy();canopy.setCenter(current);canopy.getPoints().add(current);canopies.add(canopy);iterator.remove();continue;}boolean isRemove = false;int index = 0;for (Canopy canopy : canopies) {Point center = canopy.getCenter();System.out.println("center: " + center);double d = manhattanDistance(current, center);System.out.println("distance: " + d);//距离小于T1加入canopy，打上弱标记if (d < T1) {current.setMark(Point.MARK_WEAK);canopy.getPoints().add(current);} else if (d > T1) {index++;} //距离小于T2则从列表中移除，打上强标记if (d <= T2) {current.setMark(Point.MARK_STRONG);isRemove = true;}}//如果到所有canopy的距离都大于T1,生成新的canopyif (index == canopies.size()) {Canopy newCanopy = new Canopy();newCanopy.setCenter(current);newCanopy.getPoints().add(current);canopies.add(newCanopy);isRemove = true;}if (isRemove) {iterator.remove();}}}for (Canopy c : canopies) {System.out.println("old center: " + c.getCenter());c.computeCenter();System.out.println("new center: " + c.getCenter());ShowUtils.print(c.getPoints());}}public static void main(String[] args) {CanopyBuilder builder = new CanopyBuilder();builder.run();}}

Canopy类

public class Canopy {private Point center = null;private List<Point> points = null;public Point getCenter() {return center;}public void setCenter(Point center) {this.center = center;}public List<Point> getPoints() {if (null == points) {points = new ArrayList<Point>();}return points;}public void setPoints(List<Point> points) {this.points = points;}public void computeCenter() {double x = 0.0;double y = 0.0;for (Point point : getPoints()) {x += point.getX();y += point.getY();}double z = getPoints().size();setCenter(new Point(x / z, y / z));}}

代码托管:https://github.com/fighting-one-piece/repository-datamining.git