在Ignite中使用k-均值聚类算法
在本系列前面的文章中，简单介绍了一下Ignite的k-最近邻(k-NN)分类算法，下面会尝试另一个机器学习算法，即使用泰坦尼克数据集介绍k-均值聚类算法。正好，Kaggle提供了CSV格式的数据集，而要分析的是两个分类：即乘客是否幸存。
为了将数据转换为Ignite支持的格式，前期需要做一些清理和格式化的工作，CSV文件中包含若干个列，如下：
- 乘客Id
- 幸存（0：否，1：是）
- 船票席别（1：一，2：二，3：三）
- 乘客姓名
- 性别
- 年龄
- 泰坦尼克号上的兄弟/姐妹数
- 泰坦尼克号上的父母/子女数
- 船票号码
- 票价
- 客舱号码
- 登船港口（C＝瑟堡，Q＝皇后镇，S＝南安普顿）
因此首先要做的是，删除任何和特定乘客有关的、和生存无关的列，如下：
- 乘客Id
- 乘客姓名
- 船票号码
- 客舱号码
接下来会删除任何数据有缺失的行，比如年龄或者登船港口，可以对这些值进行归类，但是为了进行初步的分析，会删除缺失的值。
最后会将部分字段转换为数值类型，比如性别会被转换为：
- 0：女
- 1：男
登船港口会被转换为：
- 0：Q（皇后镇）
- 1：C（瑟堡）
- 2：S（南安普顿）
最终的数据集由如下的列组成：
- 船票席别
- 性别
- 年龄
- 泰坦尼克号上的兄弟/姐妹数
- 泰坦尼克号上的父母/子女数
- 票价
- 登船港口
- 幸存
可以看到，幸存列已被移到最后。
下一步会将数据拆分为训练数据（80%）和测试数据（20%），和前文一样，还是使用Scikit-learn来执行这个拆分任务。
准备好训练和测试数据后，就可以编写应用了，本文的算法是：
- 读取训练数据和测试数据；
- 在Ignite中保存训练数据和测试数据；
- 使用训练数据拟合k-均值聚类模型；
- 将模型应用于测试数据；
- 确定含混矩阵和模型的准确性。
读取训练数据和测试数据
通过下面的代码，可以从CSV文件中读取数据：
private static void loadData(String fileName, IgniteCache<Integer, TitanicObservation> cache)
throws FileNotFoundException {
Scanner scanner = new Scanner(new File(fileName));
int cnt = 0;
while (scanner.hasNextLine()) {
String row = scanner.nextLine();
String[] cells = row.split(",");
double[] features = new double[cells.length - 1];
for (int i = 0; i < cells.length - 1; i++)
features[i] = Double.valueOf(cells[i]);
double survivedClass = Double.valueOf(cells[cells.length - 1]);
cache.put(cnt++, new TitanicObservation(features, survivedClass));
}
}
该代码简单地一行行的读取数据，然后对于每一行，使用CSV的分隔符拆分出字段，每个字段之后将转换成double类型并且存入Ignite。
将训练数据和测试数据存入Ignite
前面的代码将数据存入Ignite，要使用这个代码，首先要创建Ignite存储，如下：
IgniteCache<Integer, TitanicObservation> trainData = getCache(ignite, "TITANIC_TRAIN");
IgniteCache<Integer, TitanicObservation> testData = getCache(ignite, "TITANIC_TEST");
loadData("src/main/resources/titanic-train.csv", trainData);
loadData("src/main/resources/titanic-test.csv", testData);
getCache()的实现如下：
private static IgniteCache<Integer, TitanicObservation> getCache(Ignite ignite, String cacheName) {
CacheConfiguration<Integer, TitanicObservation> cacheConfiguration = new CacheConfiguration<>();
cacheConfiguration.setName(cacheName);
cacheConfiguration.setAffinity(new RendezvousAffinityFunction(false, 10));
IgniteCache<Integer, TitanicObservation> cache = ignite.createCache(cacheConfiguration);
return cache;
}
使用训练数据拟合k-NN分类模型
数据存储之后，可以像下面这样创建训练器：
KMeansTrainer trainer = new KMeansTrainer()
.withK(2)
.withDistance(new EuclideanDistance())
.withSeed(123L);
这里k的值配置为2，表示有2个簇（幸存和未幸存），对于距离测量，可以有多个选择，比如欧几里得、海明或曼哈顿，在本例中会使用欧几里得，另外，种子值赋值为123。
然后拟合训练数据，如下：
KMeansModel mdl = trainer.fit(
ignite,
trainData,
(k, v) -> v.getFeatures(),
// Feature extractor.
(k, v) -> v.getSurvivedClass()
// Label extractor.
);
Ignite将数据保存为键-值(K-V)格式，因此上面的代码使用了值部分，目标值是Survived类，特征在其它列中。
将模型应用于测试数据
下一步，就可以用训练好的分类模型测试测试数据了，可以这样做：
int amountOfErrors = 0;
int totalAmount = 0;
int[][] confusionMtx = {{0, 0}, {0, 0}};
try (QueryCursor<Cache.Entry<Integer, TitanicObservation>> cursor = testData.query(new ScanQuery<>())) {
for (Cache.Entry<Integer, TitanicObservation> testEntry : cursor) {
TitanicObservation observation = testEntry.getValue();
double groundTruth = observation.getSurvivedClass();
double prediction = mdl.apply(new DenseLocalOnHeapVector(observation.getFeatures()));
totalAmount++;
if ((int) groundTruth != (int) prediction)
amountOfErrors++;
int idx1 = (int) prediction;
int idx2 = (int) groundTruth;
confusionMtx[idx1][idx2]++;
System.out.printf(">>> | %.4f\t | %.0f\t\t\t|\n", prediction, groundTruth);
}
}
确定含混矩阵和模型的准确性
下面，就可以通过对测试数据中的真实分类和模型进行的分类进行对比，来确认模型的真确性。
代码运行之后，输出如下：
>>> Absolute amount of errors 56
>>> Accuracy 0.6084
>>> Precision 0.5865
>>> Recall 0.9873
>>> Confusion matrix is [[78, 55], [1, 9]]
这个初步的结果可不可以改进？可以尝试的是对特征的衡量，在Ignite和Scikit-learn中，可以使用MinMaxScaler()，然后会给出如下的输出：
>>> Absolute amount of errors 29
>>> Accuracy 0.7972
>>> Precision 0.8205
>>> Recall 0.8101
>>> Confusion matrix is [[64, 14], [15, 50]]
作为进一步分析的一部分，还应该研究幸存与否和年龄和性别之间的关系。
总结
通常来说，k-均值聚类并不适合监督学习任务，但是如果分类很容易，这个方法还是有效的。对于本例来说，关注的就是是否幸存。
