GridSearchCV 如何用于聚类（MeanShift 或 DBSCAN）？

Question

我正在尝试使用scikit-learn 对一些文本文档进行聚类。我正在尝试 DBSCAN 和 MeanShift，并想确定哪些超参数（例如，bandwidth 用于 MeanShift，eps 用于 DBSCAN）最适合我正在使用的数据类型（新闻文章）。

我有一些由预先标记的集群组成的测试数据。我一直在尝试使用scikit-learn 的GridSearchCV，但不明白在这种情况下如何（或是否可以）应用，因为它需要拆分测试数据，但我想运行评估整个数据集并将结果与​​预先标记的数据进行比较。

我一直在尝试指定一个评分函数，将估算器的标签与真实标签进行比较，但它当然不起作用，因为只有数据样本被聚类，而不是全部。

这里有什么合适的方法？

Answer 1

以下 DBSCAN 函数可能会有所帮助。我已经编写它来迭代超参数 eps 和 min_samples 并包含 min 和 max 集群的可选参数。由于 DBSCAN 是无监督的，所以我没有包含评估参数。

def dbscan_grid_search(X_data, lst, clst_count, eps_space = 0.5,
                       min_samples_space = 5, min_clust = 0, max_clust = 10):

    """
Performs a hyperparameter grid search for DBSCAN.

Parameters:
    * X_data            = data used to fit the DBSCAN instance
    * lst               = a list to store the results of the grid search
    * clst_count        = a list to store the number of non-whitespace clusters
    * eps_space         = the range values for the eps parameter
    * min_samples_space = the range values for the min_samples parameter
    * min_clust         = the minimum number of clusters required after each search iteration in order for a result to be appended to the lst
    * max_clust         = the maximum number of clusters required after each search iteration in order for a result to be appended to the lst


Example:

# Loading Libraries
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
import pandas as pd

# Loading iris dataset
iris = datasets.load_iris()
X = iris.data[:, :] 
y = iris.target

# Scaling X data
dbscan_scaler = StandardScaler()

dbscan_scaler.fit(X)

dbscan_X_scaled = dbscan_scaler.transform(X)

# Setting empty lists in global environment
dbscan_clusters = []
cluster_count   = []


# Inputting function parameters
dbscan_grid_search(X_data = dbscan_X_scaled,
                   lst = dbscan_clusters,
                   clst_count = cluster_count
                   eps_space = pd.np.arange(0.1, 5, 0.1),
                   min_samples_space = pd.np.arange(1, 50, 1),
                   min_clust = 3,
                   max_clust = 6)

"""

    # Importing counter to count the amount of data in each cluster
    from collections import Counter


    # Starting a tally of total iterations
    n_iterations = 0


    # Looping over each combination of hyperparameters
    for eps_val in eps_space:
        for samples_val in min_samples_space:

            dbscan_grid = DBSCAN(eps = eps_val,
                                 min_samples = samples_val)


            # fit_transform
            clusters = dbscan_grid.fit_predict(X = X_data)


            # Counting the amount of data in each cluster
            cluster_count = Counter(clusters)


            # Saving the number of clusters
            n_clusters = sum(abs(pd.np.unique(clusters))) - 1


            # Increasing the iteration tally with each run of the loop
            n_iterations += 1


            # Appending the lst each time n_clusters criteria is reached
            if n_clusters >= min_clust and n_clusters <= max_clust:

                dbscan_clusters.append([eps_val,
                                        samples_val,
                                        n_clusters])


                clst_count.append(cluster_count)

    # Printing grid search summary information
    print(f"""Search Complete. \nYour list is now of length {len(lst)}. """)
    print(f"""Hyperparameter combinations checked: {n_iterations}. \n""")

Answer 2

您是否考虑过自己实现搜索？

实现 for 循环并不是特别难。即使你想优化两个参数，它仍然相当容易。

对于 DBSCAN 和 MeanShift，我建议首先了解您的相似性度量。根据对度量的理解而不是参数优化来匹配某些标签（这有很高的过度拟合风险）来选择参数更有意义。

换句话说，两篇文章应该在多远的距离被聚类？

如果这个距离从一个数据点到另一个数据点变化太大，这些算法将严重失败；并且您可能需要找到一个归一化的距离函数，以使实际的相似度值再次有意义。 TF-IDF 是文本的标准，但主要是在 retrieval 上下文中。它们在集群环境中可能会更糟糕。

还要注意 MeanShift（类似于 k-means）需要重新计算坐标 - 在文本数据上，这可能会产生不希望的结果；更新后的坐标实际上变得更糟，而不是更好。