Я в процессе отладки библиотеки и другой реализации, которая включает в себя вычисление k-ближайших соседей. Я задаю вопрос примером, с которым мне трудно понять.Несоответствие в вычислении ближайших соседей между R и Java + WEKA
Во-первых, я объясню, пожалуйста, демонстрацию с примером игрушки, затем покажите результат, который приведет к вопросу.
Задача
Демонстрационный здесь читает файл CSV, имеющий 10 числа 2-мерных точек данных. Задача состоит в том, чтобы найти расстояние всех точек данных от первого datapoint и перечислить все точки и расстояния от первого datapoint в неубывающем порядке.
В принципе, это компонент алгоритма на основе kNN, и я нахожу несоответствие при выполнении Java-версии (компонента библиотеки) и когда я пишу ее в R. Чтобы продемонстрировать несоответствие, рассмотрите следующие коды ,
Код 1: Java + ВЕК
Следующий код использует Java и WEKA. Я использовал LinearNNSearch для вычисления ближайших соседей. Причина использования этого заключается в том, что LinearNNSearch используется в конкретной библиотеке, которую я отлаживаю и/или сравниваю с R-кодом.
import weka.core.converters.CSVLoader;
import weka.core.Instances;
import weka.core.DistanceFunction;
import weka.core.EuclideanDistance;
import weka.core.Instances;
import weka.core.neighboursearch.LinearNNSearch;
import java.io.File;
class testnn
{
public static void main (String args[]) throws Exception
{
// Load csv
CSVLoader loader = new CSVLoader();
loader.setSource (new File (args[0]));
Instances df = loader.getDataSet();
// Set the LinearNNSearch object
EuclideanDistance dist_obj = new EuclideanDistance();
LinearNNSearch lnn = new LinearNNSearch();
lnn.setDistanceFunction(dist_obj);
lnn.setInstances(df);
lnn.setMeasurePerformance(false);
// Compute the K-nearest neighbours of the first datapoint (index 0).
Instances knn_pts = lnn.kNearestNeighbours (df.instance (0), df.numInstances());
// Get the distances.
double [] dist_arr = lnn.getDistances();
// Print
System.out.println ("Points sorted in increasing order from ");
System.out.println (df.instance (0));
System.out.println ("V1,\t" + "V2,\t" + "dist");
for (int j = 0; j < knn_pts.numInstances(); j++)
{
System.out.println (knn_pts.instance (j) + "," + dist_arr[j]);
}
}
}
Код 2: R
Для вычисления расстояния я использовал dist. Использование daisy также получает идентичный ответ.
// Read file
df <- read.csv ("dat.csv", header = TRUE);
// All to all distances, and select distances of points from first datapoint (index 1)
dist_mat <- as.matrix (dist (df, diag=TRUE, upper=TRUE, method="euclidean"));
first_pt_to_all <- dist_mat[,1];
// Sort the datapoints and also record the ordering
sorted_order <- sort (first_pt_to_all, index.return = TRUE, decreasing = FALSE);
// Prepare dataset with the datapoints ordered in the non-decreasing order of the distance from the first datapoint
df_sorted <- cbind (df[sorted_order$ix[-1],], dist = sorted_order$x[-1]);
// Print
print ("Points sorted in increasing order from ");
print (df[1,]);
print (df_sorted);
Выходы
Для облегчения сравнения я помещаю на стороне два выхода бок. Обе таблицы отображают точки в неубывающем порядке.
- левая часть таблицы порождается R, причем крайний левый столбец в выводе R обозначает исходный индекс DataPoint.
- правая сторона таблицы генерируется Java + WEKA.
R Java + WEKA [1] "Points sorted in increasing order from " Points sorted in increasing order from V1 V2 1 0.560954 0.313231 0.560954,0.313231 V1 V2 dist V1, V2, dist 5 0.866816 0.476897 0.3468979 0.866816,0.476897,0.3280721928065624 10 0.262637 0.554558 0.3837079 0.262637,0.554558,0.37871658916675316 4 1.038752 0.396173 0.4849436 1.038752,0.396173,0.43517244797543775 2 0.330345 -0.137681 0.5064604 1.053889,0.486349,0.4795184359817083 7 1.053889 0.486349 0.5224507 1.113799,0.42203,0.506782009966262 6 1.113799 0.422030 0.5634490 0.330345,-0.137681,0.5448256434359463 8 0.416051 -0.338858 0.6679947 0.416051,-0.338858,0.7411841020052856 3 0.870481 -0.302856 0.6894709 0.870481,-0.302856,0.7425541767563134 9 1.386459 0.425101 0.8330507 1.386459,0.425101,0.7451474897289354
Проблема
расстояния явно отличаются, и некоторые из заказа DataPoint также различны.
Визуализация
Я нанесены 10 баллов и пронумерованы их в соответствии с их отсортированном порядке, указанном цифрами в графике.
- черный текст указывает точки на графике из отсортированного набора данных, генерируемого R
- красный текст указывает точки на графике из отсортированного набора данных, генерируемого Java + ВЕКА
Следовательно, 4, 5 и 6 отличаются. Если два datapoints были эквидистантными, то это объясняло бы различный порядок, но нет двух точек, которые эквидистантны от первого datapoint.
Dataset
"V1", "V2" 0.560954,0.313231 0.330345,-0.137681 0.870481,-0.302856 1.038752,0.396173 0.866816,0.476897 1.113799,0.42203 1.053889,0.486349 0.416051,-0.338858 1.386459,0.425101 0.262637,0.554558
Вопрос
- Почему расстояния в дисте колонн различны, что приводит к различному упорядочению ближайших соседних точек?
- Есть ли ошибка в коде, или как я использую библиотеки? Я правильно использую эти (особенно WEKA)?
Комментарий, если что-то неясно или для получения дополнительной информации.
Легко видеть, что расстояния R верны. Например, просто используя контрольную точку и первую точку в вашем списке: p1 = c (0.560954, 0.313231); p2 = c (0,866816, 0,476897); sqrt (sum ((p1 - p2) * (p1 - p2))); [1] 0.3468979 – G5W
@ G5W Расстояние R правильное, без сомнения. Хотя вопрос сохраняется, что не так с WEKA? Или это неправильно используется? – phoxis