最后更新于
最后更新于
BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)算法是一种十分适合于数据量大, 类别数较多的情况, 由于单边扫描就能够完成聚类, 复杂度为, 因此算法的速度很快.
除此之外, BIRCH能够识别出数据集中的异常点. 但不能自动地给出聚类最后类的数量.
BIRCH使用到了CF Tree(Clustering Feature Tree)这种树型数据结构, 这棵树的每一个结点都是由若干个聚类特征(Clustering Feature, CF)组成. 每个结点(包括叶子结点)都有若干个CF, 而树的内部结点中的CF还有指向孩子结点的指针, 而所有的叶子结点使用一个双向链表连接起来, 整体结构如下图:
每一个CF都是一个三元组, 用(N,LS,SS)表示, 其中:
N: CF中拥有的样本点的数量
LS: CF中拥有的样本点各特征维度的和向量
SS: CF中拥有的样本点各特征维度的平方和向量
CF有一个很好的性质, 即满足可加性定理: 对于两个完全没有交集的CF, 两者合并之后的三元组可以表示为:
因此, 对于每个CF结点, 它的(N,LS,SS)三元组的值等于这个CF结点所指向的子节点中的所有CF三元组之和, 这个在上图中也有体现.
下面开始从零开始根据数据集中依次输入的单个样本构建CF Tree. CF Tree的构建有三个重要的参数, 分别是:
B: 树中每个内部结点包含的最大CF数量
L: 每个叶子结点包含的最大CF数量
T: 叶子结点中每个CF的最大样本半径阈值, 即每个CF中所有的样本点要求在一个半径不大于T的超球体内.
CF Tree的构建步骤如下:
CF Tree生成过程
定义CFTree的参数: 内部节点的最大CF数B, 叶子节点的最大CF数L, 叶节点每个CF的最大样本半径阈值T.
从根结点向下寻找与新样本距离最近的叶子结点以及叶子结点内最近的CF
如果新样本加入后, 这个CF对应的超球体半径仍然满足小于阈值T, 更新路径上所有的CF三元组, 插入结束. 否则转入下一步骤
如果当前叶子结点的CF个数小于阈值L, 则创建一个新的CF, 放入新样本, 将新的CF放入这个叶子结点, 更新路径上所有的CF三元组, 插入结束. 否则转入下一步骤
将当前叶子结点划分为两个新叶子结点, 选择旧叶子结点中所有CF元组里超球体距离最远的两个CF元组, 分别作为两个新叶子结点的第一个CF, 将其他元组以及新样本元组按照距离远近原则放入对应的叶子结点, 依次向上检查父结点是否也要分裂, 如果需要按和叶子结点相同的方式分裂
其中, 在插入的新样本导致原来的叶子结点分为两个新的叶子结点, 需要依次向上检查父结点是否也要分裂, 这是因为对于父结点来说, 一个子结点对应着内部的一个CF, 现在新增了一个子结点, 相当于多了一个CF, 因此要检查父结点内部的CF数量是否超过了阈值. 然后向上递归进行验证和修复.
如果向上递归的检查一直持续分裂直至根节点, 最终如果根节点发生分类, 则树的高度增加1.
已知了CF Tree的构建方法, BIRCH算法的整体步骤如下:
将所有的样本依次读入, 在内存中建立一棵CFTree
将第一步建立的CFTree进行筛选, 去除一些异常CF, 这些CF一般里面的样本点很少. 对于一些超球体距离非常近的元组进行合并, 否则删除这些点, 作为离群点. 这一步也称为T增值, 是因为T值的增加导致的CF之间的合并, 而T值增加后仍无法被合并的点很少的CF, 这些CF当中的点将会被抛弃
利用其它的一些聚类算法比如K-Means对所有的CF元组进行聚类, 得到一颗比较好的CFTree. 这里聚类的对象是所有叶子结点中的CF. 这一步的主要目的是消除由于样本读入顺序导致的不合理的树结构, 以及一些由于结点CF个数限制导致的树结构分裂
利用第三步生成的CFTree的所有CF的质心, 作为初始质心点, 对所有的样本点按距离远近进行聚类, 这样进一步减少了由于CFTree的一些限制导致的聚类不合理的情况. 这一步就是正常的层次聚类方法
除了第一步, 后面三步都是可选的, 目的是为了提高聚类的质量.
BIRCH算法的主要优点有:
节约内存, CF Tree仅仅存了CF节点和对应的指针, 所有的样本都在磁盘上
聚类速度快, 只需要一遍扫描训练集就可以建立CF Tree, CF Tree的增删改都很快
可以识别噪音点, 还可以对数据集进行初步分类的预处理
BIRCH算法的主要缺点有:
由于CF Tree对每个节点的CF个数有限制, 导致聚类的结果可能和真实的类别分布不同
对高维特征的数据聚类效果不好, 此时可以选择Mini Batch K-Means
如果数据集的分布簇不是类似于超球体, 则聚类效果不好
Birch算法在高维数据上的表现不好, 根据经验法则, 一般特征的数量超过20, 会选择MiniBatchKMeans算法
如果需要聚出大量的簇(即每个簇只含有少量的样本), 需要使用Birch算法. 这种情况一般出现在:
预处理, 或称为预聚类, 将聚类得到的CF作为样本输入到其他聚类方法中
减少样本数量, 用小簇作为真正的样本
模型初始化接受的重要参数如下:
threshold: float, default 0.5
构建CF Tree时的T阈值, 每个CF中所有的样本点要求在一个半径不大于threshold的超球体内
branching_factor: int, default 50
构建CF Tree时的B和L阈值. 没有区分内部结点和叶子结点, 统一对待. 每个结点包含的最大CF数量
n_clusters: int, instance of sklearn.cluster model, default 3
非常重要的一个参数, 直接决定了Birch算法使用目的和模型表现.
参数的意义为聚类最后完成时类的数量, 但接受三种输入
None: 构建完成CF Tree之后, 就是最后的结果, 类的最终数量就是树中所有叶子结点中包含的CF数量
相当于上面Birch算法只进行的第一步, 后面的优化算法没有进行
一般是是用在减少样本数量的方法(data reduction method), 因为通过参数的设定, 会得到非常多的簇, 这些簇中的样本点通常很少
sklearn.cluster Estimator: sklearn中的聚类器, 需要传入初始化后的类的实例. 相当于使用CF Tree叶子结点中所有的CF作为样本进行进一步的聚类. 最终聚类的结果与类的数量与这个实例相关, 由这个实例产生
因此, 实际情况中, 根据不同的需求, Birch的参数需要具体的设定, 是非常灵活的.
虽然sklearn中的Birch算法不会直接给出异常点, 但换一种方法, 选择一个比较大的threshold, 且n_clusters设置为None, 此时的聚类结果中, 如果某个簇中的点的数量很少(可以设定一个阈值), 可以将其判定为一个离群点.
上面是一个比较tricky的方法, 当然也可以使用得到的完整的CT Tree, 对所有叶子结点中的CF进行的距离进行计算, 然后再判断离群点.
关于Birch的使用方法及实例在sklearn document中有具体的例子.
BIRCH算法作为一种非常高效的聚类算法, 在速度上能与之相提并论的算法往往是. 因此在实践中如何对这两种方法进行选择, 往往考虑:
提供了BIRCH模型. sklearn中的Birch模型相对来说还是比较灵活的, 有丰富的参数, 以及完整的CF Tree结构, 除了能够直接得到聚类结果之外, 如果有需要还可以对CF Tree进行操作, 实现更灵活的聚类或者分析.
int: 也可以指定最终需要的簇的数量, 相当于上一步选择了方法进行进一步的聚类, 对叶子结点中的CF进行凝聚的层次聚类, 保留指定数量的簇
