KMeans 的不平衡因子？

Question

编辑：这个问题的答案在Sum in Spark gone bad

中得到了大量讨论

---

在Compute Cost of Kmeans 中，我们看到了如何计算他的 KMeans 模型的成本。我想知道我们是否能够计算不平衡因子？

如果Spark没有提供这样的功能，有没有简单的方法来实现呢？

---

我无法找到 Unbalanced 因子的 ref，但它应该类似于 Yael 的 unbalanced_factor（我的 cmets）：

// @hist: the number of points assigned to a cluster
// @n:    the number of clusters
double ivec_unbalanced_factor(const int *hist, long n) {
  int vw;
  double tot = 0, uf = 0;

  for (vw = 0 ; vw < n ; vw++) {
    tot += hist[vw];
    uf += hist[vw] * (double) hist[vw];
  }

  uf = uf * n / (tot * tot);

  return uf;

}

我找到了here。

所以这个想法是tot（总计）将等于分配给集群的点数（即等于我们数据集的大小），而uf（不平衡因子）保持平方分配给集群的点数。

最后他使用uf = uf * n / (tot * tot);来计算它。

Answer 1

在python 中可能是这样的：

# I suppose you are passing an RDD of tuples, where the key is the cluster and the value is a vector with the features.
def unbalancedFactor(rdd):
  pdd = rdd.map(lambda x: (x[0], 1)).reduceByKey(lambda a, b: a + b) # you can obtain the number of points per cluster
  n = pdd.count()
  total = pdd.map(lambda x: x[1]).sum() 
  uf = pdd.map(lambda x: x[1] * float(x[1])).sum()

  return uf * n / (total * total)