私はライブラリをデバッグする過程にあり、k-最近傍を計算することを含んでいます。私は理解するのが難しい例を用いて質問を構想しています。RとJava + WEKA間の最近隣の計算での不一致
最初に、おもちゃの例を使って説明し、次に質問につながる出力を示します。
タスク
デモは、ここでは2次元データ点の10数を有するCSVファイルを読み込みます。この作業は、最初のデータポイントからすべてのデータポイントの距離を見つけ、すべてのポイントと最初のデータポイントからの距離を降順に並べることです。
基本的に、これはkNNベースのアルゴリズムのコンポーネントであり、Javaバージョン(ライブラリのコンポーネント)を実行したときとRに書き込むときに矛盾があります。矛盾を実証するには、 。
コード1:Javaの+ WEKA
次のコードは、JavaとWEKAを使用しています。私はLinearNNSearchを使って最近隣を計算しました。これは、LinearNNSearchが特定のライブラリで使用されており、デバッグしている、またはRコードと比較しているためです。
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]);
}
}
}
コード2:R
私はdistを使用していた距離を計算します。 daisyを使用しても同じ回答が得られます。簡単に比較のために
// 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);
出力
は私が側で2つの出力側を配置しています。どちらのテーブルも、降順でポイントを表示します。
- R出力の一番左の列は、元のデータポイントのインデックスを示すと左側テーブルは、Rによって生成されます。
- 右側の表はJava + WEKAによって生成されます。
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
問題
距離は明らかに異なっており、データポイントの順序の一部も異なっています。
可視化
私は10点をプロットし、プロット中の数字によって示される、それらのソートされた順序に従って、それらの番号を付けました。
- ブラックテキストは赤色テキストがジャワ+ WEKA
したがって、4,5,6が異なります。 2つのデータ点が等距離にある場合、これは異なる順序付けを説明したが、第1のデータ点から等距離にある2つの点は存在しない。
データセット
"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
質問
- distの列の距離が最近傍ポイントの異なる順序付けにつながる、異なっているのはなぜ?
- コード内で見つかる間違いや、ライブラリの使用方法はありますか?これら(特にWEKA)を正しく使用していますか?
コメントが不明または詳細については、コメントしてください。
Rの距離が正しいことは容易にわかります。 たとえば、テストポイントとリストの最初のポイントを使用するだけです。 p1 = c(0.560954、0.313231); p2 = c(0.866816,0.476897);sqrt(sum((p1-p2)*(p1-p2))); [1] 0.3468979 – G5W
@ G5W Rの距離は正確ですが、間違いありません。問題は解決しませんが、WEKAには何が問題なのですか?それとも間違って使われているのですか? – phoxis