Кластеризация и визуализация экспериментальных данных Титов А.С. НИИ механики МГУ

Дистанционное зондирование Земли

Анализ данных Скорой помощи

Кластеризация (кластерный анализ) Кластерный анализ – задача разбиения заданной выборки объектов на непересекающиеся подмножества, называемые кластерами так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Процесс кластеризации достаточно трудоёмкая задача в особенности из-за большого шагов при её решении и возможности проводить различные изменения параметров на каждом из них. Поэтому необходим алгоритм, который не требует задания дополнительных параметров и автоматически определяет число кластеров в исходных данных.

Традиционно кластеризация включает в себя следующие шаги: 1.Определить цель исследования. Это может быть или определение кластерной структуры данных (проверка наличия кластеров в данных) или разбиение объектов на группы по заранее определенному принципу, например, разбить множество книг по авторству или по их тематике. 2.Преобразование имеющихся данных в объекты для их кластеризации, например, определение набора слов, которые характеризуют тексты, определение переменных, характеризующих объекты, вычленение подпоследовательностей из генома. 3.Преобразование выбранных объектов в компьютерный вид, т.е. сопоставление значениям переменных числовые значения. 4.Задание метрики пространства. Для некоторых областей предпочтительны специфические метрики. 5.Выбор алгоритма кластеризации, что включает выбор параметров алгоритма, например, задание способа определения расстояния между группами точек, задание граничных параметров. 6.Интерпретация результатов кластеризации включает вычисление статистических характеристик каждого из кластеров и в результате сравнительного анализа проверяется соответствие заданному принципу разбиения. В случае несоответствия или отсутствия кластерной структуры проводится повторный процесс кластеризации с изменением настроек пунктов 1-4.

Краткий обзор методов кластеризации Классические алгоритмы –Алгоритмы, основанные на минимизации функционала –Алгоритм К – средних –Форель(FOREL), ИСОМАД(ISODATA), ПУЛЬСАР –Иерархические алгоритмы Современные алгоритмы –DBSCAN –BIRCH –CLARANS –CURE Различные подходы в гравитационной кластеризации

Алгоритм К-средних Описание алгоритма: Задание числа кластеров k, на которые надо разбить входные данные. Выбор k точек в исходном пространстве, именуемые как центры кластеров. На практике в основном выбирают случайные точек исходных данных. Для каждой точки входных данных находится ближайший центр кластера, называемые точками соответствующего центра кластера. Группа точек одного центра кластера называются соответствующим кластером. Вычисление для каждого кластера C его центра масс, которая объявляется центром кластера. Повтор процедуры с 3 шага в том случае, если не выполняется критерий остановки, например, неизменяющиеся кластеры за несколько последних итераций.

Алгоритм К-средних Основная трудность, которая возникает при использовании алгоритма к-средних – необходимость задания числа кластеров. Для обхода этого недостатка возможны следующие варианты применения алгоритма, которые позволяют частично обойти это ограничение. Применение алгоритма для нахождения большого числа групп, где не требуется интерпретация полученных кластеров, например, применяется в поисковых системах при выделении большого числа групп документов с новостных сайтов, которые рассматриваются как связанные события. Применение алгоритма с разным параметром числа кластеров 2,3,… и последующее сравнение результатов для определения наилучшего разбиения или для доказательства отсутствия четкой кластерной структуры в исходных данных. Использование параметра числа кластеров, полученного из исследований структуры исходных данных, например, построение дендрограмм для данных с разными метриками близости.

Алгоритм К-средних Основное достоинство алгоритма: простота использовании метода, который требует задание только одного параметра – числа кластеров. К недостаткам алгоритма стоит отнести следующие обстоятельства: число кластеров необходимо задавать, нет автоматического определения числа кластеров в исходных данных; результаты кластеризации алгоритма к-средних могут содержать ошибки, как это представлено на рисунке.

Алгоритм К-средних

BIRCH Основной тезис данного подхода к кластеризации данных, заключается в том, что алгоритмы, разработанные ранее, предполагают работу с данными, что предполагает на практике загрузку точек (как векторов многомерного пространства) в оперативную память, что не может реализовано при кластеризации большого объема корпоративных данных. В связи с этим было предложено рациональное действие – в качестве точек для кластеризации использовать не сами исходные точки, а их группы, полученные в результате построения CF-дерева. Т.е. это именно подход или способ организации процесса кластеризации, где в качестве алгоритма кластеризации может быть использован любой алгоритм, удобный исследователю или выбранный им в силу каких либо причин. В качестве дополнения предлагается кластеризация точек каждого листа CF-дерева, чтобы удалить выбросы, после чего каждый лист представляет собой набор точек (кластеров) для дальнейшей кластеризации. Это требует некоторой автономности от процесса кластеризации, хотя при таком подходе может быть использованы разные алгоритмы кластеризации.

DBSCAN Сложность алгоритма – O(n log n). Стоит отметить один весомый недостаток – если в исходных данных имеются кластеры разной плотности, то сложно подобрать входные параметры алгоритма, при которых они будут распознаны как кластеры. При этом получаются хорошие результаты в случае, когда кластеры обладают выраженной одинаковой плотностью и не являются сферическими.

Постановка задачи Дано Требуется разбить на множество групп (кластеров) чтобы точки из одной группы были близки, а из разных различны. Параметр не задается. Требования к решению маштабируемость независимость от порядка данных независимость параметров алгоритма от данных

Алгоритм гравитационной кластеризации Общее описание Шаг 1: построение дерева объединений Шаг 2: построение естественных кластеров Шаг 3: построение кластеризации. Достоинства –Автоматическое определение числа кластеров –Независимость настроек алгоритма от входных данных –Дерево объединения даёт представление о ходе работы алгоритма, что позволяет проанализировать структуру данных –Устойчивость алгоритма к изменениях входных данных

Устойчивость алгоритма кластеризации Определение Алгоритм кластеризации устойчив на наборе данных если существуют такиечто результаты кластеризации на наборах данных и совпадают, где. Определение Дерево объединений для набора данных будем называть устойчивым, если существуют такие, что дерево объединений для набора данных подобно дереву объединений для набора данных,где Теорема (Устойчивость дерева объединений) Теорема (Устойчивость алгоритма гравитационной кластеризации.) Замечание Теорема верна для полной гравитационной кластеризации и для алгоритма по m ближайшим точкам.

Гравитационная кластеризация по m ближайшим Основная идея - учитывать влияние только mближайших точек Пусть точкиобъединяютсяи первая стратегия если то пересчет m ближайших для точки вторая стратегия еслито или - m ближайших для точки

Гравитационная кластеризация с использованием CF-дерева CF-дерево, построенное по последователь- ности из n точек с параметрами B и T имеет максимальную глубину минимальная глубина при T=0 Основная идея – разбиваем множество на m групп, учитываем влияние на точку только точек из этой группы и влияние групп на ту точку.

Модификации алгоритма гравитационной кластеризации Предложены следующие модификации алгоритма Алгоритм гравитационной кластеризации по m ближайшим точкам Алгоритм гравитационной кластеризации с использованием CF- и R- деревьев Алгоритм гравитационной кластеризации с разбиением каждой группы точек на кластеры Оценка алгоритмической сложности Алгоритм гравитационной кластеризации Алгоритм гравитационной кластеризации по m-ближайшим Алгоритм гравитационной кластеризации с использованием CF- и R- деревьев Алгоритм гравитационной кластеризации с разбиением каждой группы точек на кластеры ( - полный алгоритм, по 1-й ближайшей точке –

Результаты работы гравитационного алгоритма

Применение на практике Численное моделирование поведения аэродинамического маятника Обработка потоковой информации

Рассматривается задача построения иерархии рубрик для системы рубрикации текстов При обучении системы на вход модулю обучения подается массив обучающих текстов, по которым в соответствие каждой рубрике ставится массив статистических величин, называемых статистическим портретом рубрики. Каждый статистический портрет представляется точкой в многомерном пространстве с единичной массой, и на основе алгоритма гравитационной кластеризации автоматически строится дерево рубрик (рис). Следует отметить, что качество рубрикации с использованием такого автоматически построенного дерева рубрик, как правило, лучше, чем с использованием дерева, построенного человеком на основе его представления о смысловых взаимосвязях рубрик. После построения дерева в процессе рубрикации вероятностный алгоритм производит спуск по дереву рубрик производя на каждом шаге процедуру выбора из небольшого количества вариантов на основе заданных обучающих выборок текстов.

Обработка потоковой информации Проведенные испытания показывают, что использование дерева повышает точность определения рубрики при большом количестве рубрик с 60-65% до 87-92%

Обработка потоковой информации

Минимизация вычислений в задаче обтекания Пример моделирования обтекания тела

Минимизация вычислений в задаче обтекания Основной цикл моделирования выглядит следующим образом: составляется и решается система уравнений; с тел сходят свободные вихри; определяется следующий шаг по времени; определяются новые текущие координаты элементов вихревого поля; вычисляется новое текущее положение тел; возможно, некоторые вихри объединяются; вихри, попавшие внутрь какого-либо тела, удаляются.

Минимизация вычислений в задаче обтекания Пример разбиения множества вихрей на группы Цель: разбиение множества вихрей на кластеры, которые изолированы друг от друга, где число кластеров равняется числу процессоров. При этом в каждой кластере разбиение вихрей на компактные группы.

Сопоставление набору точек из многомерного пространства точек на плоскости с качественным отображением: Задача визуализации 1) кластерной структуры; 2) расположения данных в исходном пространстве; 3) взаимосвязи между точками.

Требования к визуализации 1) интуитивно понятное изображение; 2) простота в навигации по данным; 3) эффективное использование области для изображения; 4) отображение взаимосвязи между данными; 5) отображение пространственной структуры данных.

Существующие подходы 1)Многомерное шкалирование 2) TreeMaps 3) Botanical Tree 4) Star Tree 5) Hyperbolic Display 6) Визуализация графов

Treemaps Botanical Tree Star Tree

Соответствие требованиям Интуит. понимани е Простота навигаци и Эфф. испол. прост-ва Отобр-е взаимосв язи Отобр-е структур ы данных Многом. шкалир TreeMaps Botanical Tree Star Tree Hyper Tree Граф ++++-

Особенности подхода Отображение данных на плоскости и группировка данных, находящихся вне центра, с использованием иерархии. Инструменты модификации: раскрытие точки, расположение любой видимой точки в центре. Отображение небольшого числа точек за счет группировки данных. Взаимосвязь между данными определяется расстоянием между ними. Отображение структуры данных, используя иерархию данных, построенной гравитационным алгоритмом кластеризации.

Визуализатор Элемент визуализатора – круг (точка). Конкретное состояние визуализатора – некоторая конфигурация точек на плоскости. Визуализатор – интерактивное отображение состояний визуализатора со следующим интерфейсом: –Переход на нижний уровень (отображение внутренней структуры данных, соответствующих точке, и их окружения) –Переход на верхний уровень (уменьшение масштаба данных) –Изменение «точки в центре»(перемещение по данным)

Визуализация многомерных данных Определение Визуализация множество Где Определение Визуализатор множество визуализаций, т.е. Число s называется размером визуализатора. Утверждение Размер каждого визуализатора, состоящего из различных визуализаций, не превосходит Утверждение Размер дерева визуализации не превосходит

Визуализация многомерных данных При построении визуализатора на основе дерева объединений выполняются следующие шаги: Сопоставление визуализации точек на плоскости минимизация функции Сопоставление визуализаций. Основные шаги: –Выполнения смещения где –Выполнение поворота

Последовательность действий Построение иерархии для всего набора данных. Проведение многомерного шкалирования для набора данных, соответствующих каждой «точке в центре». Обеспечение плавности перехода от одной конфигурации к другой.

Общая идеология Точка в центре – это точка, на которой сфокусирован взгляд (точка в центре конфигурации) Конфигурация точек строится согласно следующему принципу: Если отображена некоторая точка, то: 1) отображаются ее братья {a_1,a_2,…,a_n}; 2) отображаются точки, являющиеся кластерами, при условии, что вершины {a_1,a_2,…,a_n} являются кластерами.

Обеспечение плавности перехода от одной конфигурации к другой Смещение –В любой конфигурации всегда должна быть «точка в центре» с некоторыми фиксированными координатами Поворот –Осуществление поворота таким образом, чтобы сохранялась направленность данных

Смещение Переход на верхний уровень Отображение конфигурации, где «точка в центре» - родитель бывшей «точки в центре» Переход на нижний уровень Отображение конфигурации, где «точка в центре» - некоторый ребенок раскрываемой точки. Изменение «точки в центре» Отображение конфигурации где «точка в центре» есть выбранная точка.

Поворот Переход на нижний уровень/Переход на верхний уровень Для точек верхней конфигурации определение центр масс точек нижней конфигурации и поиск поворота вокруг «точки в центре» Изменение «точки в центре» Отображение конфигурации, соответствующей выбранной точке, которая становится «точкой в центре».

Элементы системы визуализации Клиентское приложение Графическое приложение –Отображающее конфигурации точек. –Предоставляющее возможность навигации по данным (переход на нижний уровень, переход на верхний уровень, изменение «точки в центре»). Обработчик запросов визуализации –Прием запросов навигации по данным. –Передача клиентскому приложению конфигурации точек, соответствующей запросу. Сервер обсчета функций интерфейса –Выполнение, прописанных в интерфейсе, функций. –Передача обработчику запросов визуализации конфигурации точек.

Схема взаимодействия элементов системы визуализации Запрос конфигурации точек Клиентское приложение Передача конфигурации точек Обработчик запросов визуализации Запрос конфигурации точек Передача конфигурации точек Сервер обсчета функций интерфейса

Структура хранения визуализации данных Структура хранения визуализации данных – дерево (дерево визуализации), вершины которого содержат следующую информацию: –указатель на родителя; –ссылки на детей; –ссылки на вершины, отображаемые вместо с данной; –координаты вершин, отображаемых вместе с данной.

Пример Раскрытие точки 6

Спасибо за внимание