R 和 Java + WEKA 之间计算最近邻的差异

Question

我正在调试一个库和另一个涉及计算 k 最近邻居的实现。我用一个我难以理解的例子来阐述这个问题。

首先我将通过一个玩具示例来解释演示，然后显示将导致问题的输出。

任务

这里的演示读取一个包含 10 个二维数据点的 csv 文件。任务是找出所有数据点与第一个数据点的距离，并以非递减顺序列出所有点和与第一个数据点的距离。

基本上，这是基于 kNN 的算法的一个组件，当我执行 Java 版本（库的组件）和用 R 编写它时，我发现了差异。为了演示差异，请考虑以下代码。

代码 1：Java + WEKA

以下代码使用 Java 和 WEKA。我使用LinearNNSearch 来计算最近的邻居。使用它的原因是LinearNNSearch 用于我正在调试和/或与 R 代码比较的特定库中。

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]);
    }
  }
}

代码 2：R

为了计算我使用dist 的距离。使用daisy 也会得到相同的答案。

// 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);

输出

为了便于比较，我将两个输出并排放置。两个表都以非递减顺序显示点数。

• 左侧表由 R 生成，R 输出中最左侧的列表示原始数据点索引。
• 右侧表格由 Java + WEKA 生成。

R Java + WEKA [1] “点按升序排列” 点按升序排列 V1 V2 1 0.560954 0.313231 0.560954,0.313231 V1 V2 距离 V1，V2，距离 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

问题

距离明显不同，一些数据点的排序也不同。

可视化

我已经绘制了 10 个点并根据它们的排序顺序对它们进行了编号，由图中的数字表示。

• 黑色文本表示从R生成的排序数据集中绘制的点
• 红色文本表示从Java + WEKA生成的排序数据集中绘制的点

因此 4、5 和 6 不同。如果两个数据点等距，那么这将解释不同的排序，但没有两个点与第一个数据点等距。

数据集

“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

问题

• 为什么dist列的距离不同，导致最近邻点的排序不同？
• 您是否可以在代码或我使用库的方式中发现任何错误？我是否正确使用了这些（尤其是 WEKA）？

如果有不清楚的地方或了解更多信息，请发表评论。

Answer 1

如 cmets 中所述，R 距离是正确的。问题是 WEKA 默认值。你用过：

EuclideanDistance dist_obj = new EuclideanDistance ();

WEKA 中的欧几里得距离具有默认参数。其中之一是DontNormalize=FALSE，即默认情况下，WEKA 在计算距离之前对数据进行归一化。我对 java 帮助不大，所以我将在 R 中执行此操作。如果您缩放数据，使每个变量的最小值为零，最大值为一，您将获得 WEKA 提供的距离度量。

NData = Data
NData[,1] = (NData[,1]-min(NData[,1]))/(max(NData[,1])-min(NData[,1]))
NData[,2] = (NData[,2]-min(NData[,2]))/(max(NData[,2])-min(NData[,2]))
dist(NData)

这些距离与您为 WEKA 显示的距离相符。要获得与 R 相同的结果，请查看 WEKA 中 EuclideanDistance 的参数。