SCC5895 Análise de Agrupamento de Dados

Transcrição

1 SCC5895 Análise de Agrupamento de Dados Algoritmos Particionais: Parte I Prof. Eduardo R. Hruschka PPG-CCMC / ICMC / USP

2 Créditos Este material consiste de adaptações e etensões dos originais: Elaborados por Eduardo R. Hruschka e Ricardo J.G.B. Campello de (Tan et al., 6) de E. Keogh (SBBD 3) de G. Piatetsky-Shapiro (KDNuggets)

3 Aula de Hoje Definições Algoritmos Particionais sem Sobreposição k-means Raizes Históricas e Algoritmo Básico Inicialização e Implementações Eficientes Fundamentação Teórica (perspectiva de otimização) K-Means Paralelo e Distribuído Variantes do k-means K-Medianas, k-medóides,... Estimativa do Número de Grupos k 3

4 Definição de Partição de Dados (Revisão) Consideremos um conjunto de N objetos a serem agrupados: X = {,,..., N } Partição (rígida): coleção de k grupos não sobrepostos P = {C, C,..., C k } tal que: C C... C k = X C i C i C j = para i j Eemplo: P = { ( ), ( 3, 4, 6 ), (, 5 ) } 4

5 Matriz de Partição Matriz de Partição é uma matriz com k linhas (no. de grupos) e N colunas (no. de objetos) na qual cada elemento ij indica o grau de pertinência do j-ésimo objeto ( j ) ao i-ésimo grupo (C i ) U X k k N N kn Se essa matriz for binária, ou seja, ij {,}, e ainda, se a restrição i ( ij ) = j for respeitada, então denomina-se: matriz de partição rígida, eclusiva ou sem sobreposição 5

6 Matriz de Partição Eemplo: P = { ( ), ( 3, 4, 6 ), (, 5 ) } U X 6

7 Métodos Particionais (Sem Sobreposição) Métodos particionais sem sobreposição referem-se a algoritmos de agrupamento que buscam (eplícita ou implicitamente) por uma matriz de partição rígida de um conjunto de objetos X Encontrar uma Matriz de Partição U(X): Equivale a particionar o conjunto X = {,,..., N } de N objetos em uma coleção C = {C, C,..., C k } de k grupos disjuntos C i tal que C C... C k = X, C i, e C i C j = para i j 7

8 Particionamento como Problema Combinatório Problema: Assumindo que k seja conhecido, o no. de possíveis formas de agrupar N objetos em k clusters é dado por (Liu, 968): NM ( N, k) k! k i ( ) i k i k i N Por eemplo, NM(, 5) Em um computador com capacidade de avaliar 9 partições/s, precisaríamos.8 5 séculos para processar todas as avaliações Como k em geral é desconhecido, problema é ainda maior... NP-Hard: Avaliação computacional eaustiva é impraticável... Solução: formulações alternativas... 8

9 Algoritmo k-means Começaremos nosso estudo com um dos algoritmos mais clássicos da área de mineração de dados em geral algoritmo das k-médias ou k-means listado entre os Top Most Influential Algorithms in DM Wu, X. and Kumar, V. (Editors), The Top Ten Algorithms in Data Mining, CRC Press, 9 X. Wu et al., Top Algorithms in Data Mining, Knowledge and Info. Systems, vol. 4, pp. -37, 8 9

10 Referência Mais Aceita como Original: J. B. MacQueen, Some methods of classification and analysis of multivariate observations, In Proceedings 5th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, California, USA, 967, 8 97 Porém... Algoritmo k-means K-means has a rich and diverse history as it was independently discovered in different scientific fields by Steinhaus (956), Lloyd (proposed in 957, published in 98), Ball & Hall (965) and MacQueen (967) [Jain, Data Clustering: 5 Years Beyond K-Means, Patt. Rec. Lett., ]... e tem sido assunto por mais de meio século! Douglas Steinley, K-Means Clustering: A Half-Century Synthesis, British Journal of Mathematical and Statistical Psychology, Vol. 59, 6

11 k-means ) Escolher aleatoriamente um número k de protótipos (centros) para os clusters ) Atribuir cada objeto para o cluster de centro mais próimo (segundo alguma distância, e.g. Euclidiana) 3) Mover cada centro para a média (centróide) dos objetos do cluster correspondente 4) Repetir os passos e 3 até que algum critério de convergência seja obtido: - número máimo de iterações - limiar mínimo de mudanças nos centróides

12 k-means - passo : a k Escolher 3 centros iniciais k k 3 Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em a

13 k-means - passo : a k Atribuir cada objeto ao cluster de centro + próimo k k 3 Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 3 a

14 k-means - passo 3: a k k Mover cada centro para o vetor médio do cluster (centróide) k k k 3 k 3 Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 4 a

15 k-means: Re-atribuir objetos aos clusters de centróides mais próimos Quais objetos mudarão de cluster? a k k k 3 a Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 5

16 k-means: a k Resp: objetos k k 3 a Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 6

17 k-means: k re-calcular vetores médios a k k 3 Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 7 a

18 k-means: k a mover centros dos clusters k k 3 Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 8 a

19 Eercício Objeto i i i i Eecutar k-means com k=3 nos dados acima a partir dos protótipos [6 6], [4 6] e [5 ] e outros a sua escolha 9 i

20 K-Means sob Perspectiva de Otimização Algoritmo minimiza a seguinte função objetivo: SSE = Sum of Squared Erros (variâncias intra-cluster) onde d = Euclidiana e é o centróide do c-ésimo grupo: k c c j c j d J, C c j j c c C C c

21 K-Means sob a Perspectiva de Otimização: - Assumamos: - conjunto de objetos X = {,,..., N } - conjunto de k centróides quaisquer {,,..., k } - Podemos reescrever o critério SSE de forma equivalente como: J N k j c cj j c ; c j ; - Desejamos minimizar J com respeito a { c } e { cj } - Pode-se fazer isso via um procedimento iterativo ( passos): a) Fiar { c } e minimizar J com respeito a { cj } (E) b) Minimizar J com respeito a { c }, fiando-se { cj } (M) k cj cj,

22 a) Fiar { c } e minimizar J com respeito a { cj } (Passo E) - Termos envolvendo diferentes j são independentes - Logo, pode-se otimizá-los separadamente - cj = para c que fornece o menor valor do erro quadrático * Atribuir cj = para o grupo mais próimo. b) Minimizar J com respeito a { c }, fiando-se { cj } (Passo M) - Derivar J com respeito a cada c e igualar a zero: N j cj N j j cj c N j j c cj N j c j T c j cj c c J K-Means sob a Perspectiva de Otimização:, ; ; cj k c cj N j k c c j cj j J

23 Discussão Resultado pode variar significativamente dependendo da escolha das sementes (protótipos) iniciais k-means pode ficar preso em ótimos locais Eemplo: Centros iniciais objetos Como evitar...? Slide baseado no curso de Gregory Piatetsky-Shapiro, disponível em 3

24 y y y Two different K-means Clusterings Original Points Optimal Clustering Sub-optimal Clustering Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

25 y Importance of Choosing Initial Centroids 3 Iteration Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

26 y y y y y y Importance of Choosing Initial Centroids 3 Iteration 3 Iteration 3 Iteration Iteration 4 3 Iteration 5 3 Iteration Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

27 y Importance of Choosing Initial Centroids 3 Iteration Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

28 y y y y y Importance of Choosing Initial Centroids 3 Iteration 3 Iteration Iteration 3 3 Iteration 4 3 Iteration Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

29 Análise da Seleção dos Protótipos Iniciais Premissa: Uma boa seleção de k protótipos iniciais em uma base de dados com k grupos naturais é tal que cada protótipo é um objeto de um grupo diferente No entanto, a chance de se selecionar um protótipo de cada grupo é pequena, especialmente para k grande... Assumamos grupos balanceados, com uma mesma quantidade g = N / k de objetos cada: Podemos calcular a probabilidade de selecionar protótipo de cada grupo diferente como: P no. de maneiras de selecionar objeto de cada grupo (com N / k objetos) no. de maneiras de selecionar k dentre N objetos 9

30 Análise da Seleção dos Protótipos Iniciais N o de formas de selecionar k protótipos (denominador) cada um dos N = kg objetos pode ser selecionado em cada um dos k sorteios, com reposição, logo tem-se (kg) k formas N o de formas de escolher protótipo por grupo (numerador) No º sorteio, qualquer um dos N = kg objetos pode ser selecionado. No º sorteio, qualquer objeto eceto aqueles g do mesmo grupo do º sorteio podem ser selecionados, ou seja, kg g = (k )g podem ser selecionados, e assim por diante. Logo, tem-se kg (k )g... g = k!g k Portanto, tem-se P = k!g k /k k g k P = k! /k k Eemplo: se k =, P =.36 3

31 y Eemplo: Iniciando com centróides iniciais em um grupo de cada par 8 Iteration Tan, Steinbach & Kumar, Introduction to Data Mining, 6. 3

32 y y y y Ilustrando Todas as Iterações: 8 Iteration 8 Iteration Iteration Iteration Tan, Steinbach & Kumar, Introduction to Data Mining, 6. 3

33 y Agora Vejamos Outra Inicialização: 8 Iteration Tan, Steinbach & Kumar, Introduction to Data Mining, 6. 33

34 y y y y Ilustrando Todas as Iterações: 8 Iteration 8 Iteration Iteration Iteration Tan, Steinbach & Kumar, Introduction to Data Mining, 6. 34

35 Alternativas para Inicialização Múltiplas Eecuções (inicializações aleatórias): funciona bem em muitos problemas. mas em bases de dados compleas, pode demandar um no. enorme de eecuções. em particular para no. de grupos grande. especialmente dado que k é, em geral, desconhecido Agrupamento Hierárquico: agrupa-se uma amostra dos dados tomam-se os centros da partição com k grupos

36 Alternativas para Inicialização Seleção Informada : toma-se o º protótipo como um objeto aleatório ou como o centro dos dados (grand mean) sucessivamente escolhe-se o próimo protótipo como o objeto mais distante dos protótipos correntes Nota: para reduzir o esforço computacional e minimizar a probabilidade de seleção de outliers processa-se apenas uma amostra dos dados Busca Guiada: X-means, k-means evolutivo,... 36

37 Discussão k-means é mais susceptível a problemas quando clusters são de diferentes Tamanhos Densidades Formas não-globulares Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

38 Differing Sizes Original Points K-means (3 Clusters) Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

39 Differing Density Original Points K-means (3 Clusters) Tan,Steinbach, Kumar Introduction to Data Mining 4/8/4 nº

40 Formas Não-Globulares Tan, Steinbach, Kumar Nota: na prática, esse problema em geral não é crítico, i.e., há pouco interesse na maioria das aplicações de mundo real Grandes BDs (muitos objetos & atributos) e necessidade de interpretação dos resultados (e.g. segmentação de mercado...)

41 Manipulando Grupos Vazios k-means pode gerar grupos vazios Por inicialização em pontos dominados do espaço protótipos não representativos: nenhum objeto mais próimo inicialização como objetos ao invés de pontos aleatórios resolve Pela inicialização de grupos cujos protótipos são não representativos; por eemplo: 3 4 Grupos iniciais k =3 Ao longo das iterações 4

42 Manipulando Grupos Vazios Estratégias para contornar o problema: Eliminar os protótipos não representativos (reduz k) viável se o número inicial de grupos, k, puder ser reduzido pode ser útil para ajustar valores superestimados de k Substituir cada protótipo não representativo (mantém k) pelo objeto que mais contribui para o SSE da partição por um dos objetos do grupo com maior MSE visa dividir o grupo com maior erro quadrático médio Nota: a eecução do algoritmo prossegue após a substituição

43 Implementações Eficientes Desempenho computacional pode ser melhorado... Estruturas de Dados, e.g. kd-trees (seminários...) Algoritmos, e.g. Atualização recursiva dos centróides Cálculo dos centróides só depende dos valores anteriores, dos nos. de objetos dos grupos e dos objetos que mudaram de grupo Não demanda recalcular tudo novamente Eercício: a partir da equação do cálculo do centróide, escrever a equação de atualização recursiva descrita acima. Uso da desigualdade triangular (vide discussão a seguir) Paralelização (vide discussão a seguir) 43

44 Uso da Desigualdade Triangular Lema: Se d(,a) d(a,b)/ então d(,b) d(,a). Prova: d(a,b) d(a,)+d(,b);... Interpretação Geométrica: C A B ½d(A,B) 44

45 K-Means Paralelo / Distribuído Dados distribuídos em múltiplos data sites ou processadores Algoritmo: Mesmos protótipos iniciais são distribuídos a cada sítio de dados Cada sítio eecuta (em paralelo) uma iteração de k-means Protótipos locais e nos. de objetos dos grupos são comunicados Protótipos globais são calculados e retransmitidos aos sítios Repete-se o processo 45

46 Eercício Objeto i i i Processador A B 3 A 4 B A B B A 9 5 B 5 A 4 B 4 A Eecutar k-means paralelo nos dados ao lado, com k=3, a partir dos protótipos iniciais [6 6], [4 6] e [5 ] 46

47 Resumo do k-means Vantagens Simples e intuitivo Compleidade computacional linear em todas as variáveis críticas: O(N n k) quadrático apenas se n N... Eficaz em muitos cenários de aplicação e produz resultados de interpretação relativamente simples Considerado um dos mais influentes algoritmos em Data Mining (Wu & Kumar, 9). Desvantagens k =? Sensível à inicialização dos protótipos (mínimos locais de J) Limita-se a encontrar clusters volumétricos / globulares Cada item deve pertencer a um único cluster (partição rígida, ou seja, sem sobreposição) Limitado a atributos numéricos Sensível a outliers 47

48 Generalização: - Banerjee et al. (Clustering with Bregman Divergences, JMLR, 5) apresentam uma visão unificada para a classe de algoritmos de agrupamento baseados em centróides (ao estilo k-means); - Estudo teórico minucioso baseado em Divergentes de Bregman: d (, y) ( ) ( y) y, ( y) - Distância Euclidiana ao quadrado, Mahalanobis, KL, perda quadrática, perda logística, etc.; - Eemplo: () = T é estritamente convea e diferenciável em n... - Algoritmos derivados mantém simplicidade, garantias teóricas e escalabilidade do k-médias; - Aplicável a diferentes tipos de atributos --- diferentes funcões conveas escolhidas para diferentes subconjuntos de atributos. 48

49 Algumas Variantes do k-means K-medianas: Substituir as médias pelas medianas Média de, 3, 5, 7, 9 é Média de, 3, 5, 7, 9 é 5 5 Mediana de, 3, 5, 7, 9 é 5 Vantagem: menos sensível a outliers * Desvantagem: implementação mais complea cálculo da mediana em cada atributo... Pode-se mostrar que minimiza a soma das distâncias de Manhattan dos objetos aos centros (medianas) dos grupos 49

50 Algumas Variantes do k-means K-medóides: Substituir cada centróide por um objeto representativo do cluster, denominado medóide Medóide = objeto mais próimo aos demais objetos do cluster mais próimo em média (empates resolvidos aleatoriamente) Vantagens: menos sensível a outliers permite cálculo relacional (apenas matriz de distâncias) logo, pode ser aplicado a bases com atributos categóricos convergência assegurada com qualquer medida de (dis)similaridade Desvantagem: Compleidade quadrática com n o. de objetos (N) 5

51 Eercício Objeto i i i i Eecutar k-medóides com k=3 nos dados acima, com medóides iniciais dados pelos objetos 5, 6 e 8 i 5

52 Algumas Variantes do k-means K-means para Fluos de Dados (Data Streams): Em geral, usa conceito de vizinhos mais próimos (K-NN) Objetos dinamicamente incorporados ao cluster mais próimo Atualização do centróide do cluster pode ser incremental centróide atualizado a cada novo objeto incorporado mas isso introduz dependência de ordem dos dados... Heurísticas podem ser usadas para criar e/ou remover clusters Ver Silva, Faria, Barros, Hruschka, de Carvalho, Gama, Data Stream Clustering: A Survey, ACM Computing Surveys, to appear. 5

53 Algumas Variantes do k-means Métodos de Múltiplas Eecuções de k-means: Eecutam k-means repetidas vezes a partir de diferentes valores de k e de posições iniciais dos protótipos Ordenado: n p inicializações de protótipos para cada k [k min, k ma ] Aleatório: n T inicializações de protótipos com k sorteado em [k min, k ma ] Tomam a melhor partição resultante de acordo com algum critério de qualidade (critério de validade de agrupamento) Vantagens: Estimam k e são menos sensíveis a mínimos locais Desvantagem: Custo computacional pode ser elevado 53

54 Questão... J poderia ser utilizada como medida de qualidade para escolher a melhor partição dentre um conjunto de candidatas? Resposta é sim se todas têm o mesmo no. k de clusters (fio) Mas e se k for desconhecido e, portanto, variável? Para responder, considere, por eemplo, que as partições são geradas a partir de múltiplas eecuções do algoritmo: com protótipos iniciais aleatórios com no. variável de grupos k [k min, k ma ] 54

55 Questão... - Para tentar responder a questão anterior, vamos considerar o método de múltiplas eecuções ordenadas de k-means, com uso da função objetivo J J Erro Quadrático: k i j C d i Função Objetivo j, i Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus.

56 Questão... - Considere o seguinte eemplo: Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus. 56

57 Para k =, o valor da função objetivo é 873, Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus. 57

58 Para k =, o valor da função objetivo é 73, Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus. 58

59 Para k = 3, o valor da função objetivo é 33, Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus. 59

60 Função Objetivo Podemos então repetir este procedimento e plotar os valores da função objetivo J para k =,,6,... e tentar identificar um joelho :.E+3 9.E+ 8.E+ 7.E+ 6.E+ 5.E+ 4.E+ 3.E+.E+.E+.E+ k Keogh, E. A Gentle Introduction to Machine Learning and Data Mining for the Database Community, SBBD 3, Manaus. 6

61 Eercício Objeto i i i i Eecutar k-means com k= até k=5 nos dados acima e representar graficamente a f. objetivo J em função de k 6 i

62 Questão... Infelizmente os resultados não são sempre tão claros quanto no eemplo anterior Vide eemplo abaio... Além disso, como utilizar essa metodologia em variantes baseadas em busca guiada, que otimizam k? X-means, k-means evolutivo,... Solução: vide aulas de validação de agrupamento! 6

63 Referências Jain, A. K. and Dubes, R. C., Algorithms for Clustering Data, Prentice Hall, 988 Kaufman, L., Rousseeuw, P. J., Finding Groups in Data An Introduction to Cluster Analysis, Wiley, 5. Tan, P.-N., Steinbach, M., and Kumar, V., Introduction to Data Mining, Addison-Wesley, 6 Wu, X. and Kumar, V., The Top Ten Algorithms in Data Mining, Chapman & Hall/CRC, 9 D. Steinley, K-Means Clustering: A Half-Century Synthesis, British J. of Mathematical and Stat. Psychology, V. 59, 6 63