在大小相等的 k 个集群中对 n 个点进行分组

Question

可能重复：
K-means algorithm variation with equal cluster size

编辑：像 casperOne 向我指出这个问题是重复的。无论如何，这里有一个更笼统的问题，涵盖了这个问题：https://stats.stackexchange.com/questions/8744/clustering-procedure-where-each-cluster-has-an-equal-number-of-points

我的要求

在一个项目中，我需要将 n 个点 (x,y) 分组到 k 个大小相等 (n / k) 的集群中。其中 x 和 y 是双浮点数，n 的取值范围为 100 到 10000，k 的取值范围为 2 到 100。在算法运行之前 k 也是已知的。

我的实验

我开始使用http://en.wikipedia.org/wiki/K-means_clustering 算法来解决这个问题，该算法可以很好地快速生成大小大致相同的 k 个集群。

但我的问题是，K-means 产生大小大致相同的集群，我需要集群的大小完全相同（或更准确地说：我需要它们的大小在 floor(n / k) 和 ceil(n / k))。

在您向我指出之前，是的，我在这里尝试了第一个答案K-means algorithm variation with equal cluster size，这听起来是个好主意。

主要思想是通过K-means对簇产生的数组进行后处理。从最大的集群到最小的集群。我们通过将额外的点移动到另一个最近的集群来减小具有超过 n / k 个成员的集群的大小。更不用说已经减少的集群了。

这是我实现的伪代码：

n is the number of point
k is the number of cluster
m = n / k (the ideal cluster size)
c is the array of cluster after K-means
c' = c sorted by size in descending order
for each cluster i in c' where i = 1 to k - 1
    n = size of cluster i - m (the number of point to move)
    loop n times
        find a point p in cluster i with minimal distance to a cluster j in c' where j > i
        move point p from cluster i to cluster j
    end loop
    recalculate centroids
end for each

这个算法的问题是在接近过程结束时（当 i 接近 k 时），我们必须在 c' 中选择一个簇 j（其中 j > i 因为我们需要不理会已经处理过的簇)，但是我们发现的这个簇 j 可能离簇 i 很远，从而打破了簇的概念。

我的问题

是否有可以满足我要求的后 K-means 算法或 K-means 变体，还是我从一开始就错了，我需要寻找其他聚类算法？

PS：我不介意自己实现解决方案，但如果我可以使用库，最好是在 JAVA 中。

Answer 1

试试这个 k-means 变体：

初始化：

• 从数据集中随机选择k中心，或者使用kmeans++策略更好
• 对于每个点，计算到其最近的聚类中心的距离，并为此构建一个堆
• 从堆中抽取点，并将它们分配给最近的簇，除非簇已经满了。如果是这样，计算下一个最近的集群中心并重新插入到堆中

最后，您应该有一个满足您对每个集群 +-1 相同数量的对象的要求的分区（确保最后几个集群也有正确的数量。第一个 m 集群应该有 @987654323 @ 对象，其余的正好是 floor 对象。） 请注意，使用堆可确保集群保持凸：如果它们不再是凸的，则会有更好的交换候选。

迭代步骤：

必要条件：每个集群的列表，其中包含“交换提议”（希望位于不同集群中的对象）。

E 步骤：计算更新后的聚类中心，就像在常规 k-means 中一样

M 步骤：遍历所有点（仅一个点，或一批中的所有点）

计算离对象最近的集群中心/比当前集群更近的所有集群中心。如果是不同的集群：

• 如果其他集群小于当前集群，只需将其移至新集群
• 如果有来自另一个集群（或任何距离更短的集群）的交换提议，则交换两个元素集群分配（如果有多个提议，则选择改进最大的一个）
• 否则，为其他集群指明交换建议

集群大小保持不变（+- ceil/floor 差异），一个对象只从一个集群移动到另一个集群，只要它导致估计的改进。因此，它应该像 k-means 一样在某个点收敛。不过它可能会慢一些（即更多的迭代）。

我不知道这是否已经发布或实施过。这正是我会尝试的（如果我会尝试 k-means。有更好的聚类算法。）

Answer 2

不是该主题的专家，我曾经需要想出一个简单的算法来对地图上的位置进行聚类，其中每个点都需要成为聚类的一部分，并且聚类以多种方式绑定（不仅仅是在大小（即点数），但在其他一些取决于不同因素的措施中也是如此）。

通过首先找到“困难”点，然后从那里增长集群，我得到了最好的结果。 “困难”点将是难以到达的点，例如因为它们会单独位于整个区域的郊区，或者因为它们比其他点更能帮助达到另一个集群边界条件。这有助于整齐排列集群，只剩下很少的孤独者和相应的手工来放置它们。

如果您当前的算法通常会最后找到这些难点，这可能会对您有所帮助。