Python MeanShift 内存错误

Question

我正在 sklearn.cluster 模块 (here are the docs) 中运行名为 MeanShift() 的聚类算法。我正在处理的对象有 310,057 个点分布在 3 维空间中。我正在运行它的计算机总共有 128Gb 的内存，所以当我收到以下错误时，我很难相信我实际上正在使用所有这些内存。

[user@host ~]$ python meanshifttest.py
Traceback (most recent call last):
  File "meanshifttest.py", line 13, in <module>
    ms = MeanShift().fit(X)
  File "/home/user/anaconda/lib/python2.7/site-packages/sklearn/cluster/mean_shift_.py", line 280, in fit
    cluster_all=self.cluster_all)
  File "/home/user/anaconda/lib/python2.7/site-packages/sklearn/cluster/mean_shift_.py", line 99, in mean_shift
bandwidth = estimate_bandwidth(X)
  File "/home/user/anaconda/lib/python2.7/site-packages/sklearn/cluster/mean_shift_.py", line 45, in estimate_bandwidth
d, _ = nbrs.kneighbors(X, return_distance=True)
  File "/home/user/anaconda/lib/python2.7/site-packages/sklearn/neighbors/base.py", line 313, in kneighbors
return_distance=return_distance)
  File "binary_tree.pxi", line 1313, in sklearn.neighbors.kd_tree.BinaryTree.query (sklearn/neighbors/kd_tree.c:10007)
  File "binary_tree.pxi", line 595, in sklearn.neighbors.kd_tree.NeighborsHeap.__init__ (sklearn/neighbors/kd_tree.c:4709)
MemoryError

我正在运行的代码如下所示：

from sklearn.cluster import MeanShift
import asciitable
import numpy as np
import time

data = asciitable.read('./multidark_MDR1_FOFID85000000000_ParticlePos.csv',delimiter=',')
x = [data[i][2] for i in range(len(data))]
y = [data[i][3] for i in range(len(data))]
z = [data[i][4] for i in range(len(data))]
X = np.array(zip(x,y,z))

t0 = time.time()
ms = MeanShift().fit(X)
t1 = time.time()
print str(t1-t0) + " seconds."
labels = ms.labels_
print set(labels)

有人对正在发生的事情有任何想法吗？不幸的是，我无法切换聚类算法，因为这是我发现的唯一一个除了不接受链接长度/k 个聚类/先验信息之外做得很好的算法。

提前致谢！

**更新： 我又看了看文档，上面写着：

可扩展性：

因为这个实现使用了一个平面内核并且
一个球树来查找每个内核的成员，复杂度将是
在较低维度上为 O(T*n*log(n))，其中 n 为样本数
和 T 点数。在更高维度上，复杂性将
趋向于 O(T*n^2)。

可以通过使用更少的种子来提高可扩展性，例如使用
get_bin_seeds 函数中的 min_bin_freq 值较高。

请注意，estimate_bandwidth 函数的可扩展性远低于
均值偏移算法，如果使用它将成为瓶颈。

这似乎有些道理，因为如果您详细查看错误，它会抱怨估计带宽。这是否表明我只是在算法中使用了太多粒子？

Answer 1

从错误消息来看，我怀疑它正在尝试计算点之间的所有成对距离，这意味着它需要 310057² 浮点数或 716GB 的 RAM。

您可以通过为 MeanShift 构造函数提供显式的 bandwidth 参数来禁用此行为。

这可以说是一个错误；考虑为其提交错误报告。 （包括我自己在内的 scikit-learn 团队最近一直在努力摆脱在各个地方这些过于昂贵的距离计算，但显然没有人关注 meanshift。）

编辑：上面的计算偏离了 3 倍，但内存使用量确实是二次方。我刚刚在 scikit-learn 的开发版中修复了这个问题。