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：

1. 读取训练数据和测试数据；
2. 在Ignite中保存训练数据和测试数据；
3. 使用训练数据拟合k-均值聚类模型；
4. 将模型应用于测试数据；
5. 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。