Implementeaza o clasa derivata din accord.clustering.kmeans care sa tina cont…
- User
Implementeaza o clasa derivata din accord.clustering.kmeans care sa tina cont suplimentar de o matrice de costuri intre noduri, de greutatea unui nod, limitand greutatea maxima pe cluster la o valoare fixa si care sa primeasca ca inputs coordonatele gps ale nodurilor.
- Assistant
Pentru a implementa clasa derivată din KMeans care să țină cont de o matrice de costuri între noduri, de greutatea unui nod și de limita greutății maxime pe cluster, putem utiliza următorul cod:
from sklearn.cluster import KMeans import numpy as np class WeightedKMeans(KMeans): def __init__(self, n_clusters, max_weight, coordinates, weights, cost_matrix): super().__init__(n_clusters=n_clusters) self.max_weight = max_weight self.coordinates = np.array(coordinates) self.weights = np.array(weights) self.cost_matrix = np.array(cost_matrix) def fit(self): # Adaptarea matricei de costuri pentru a lua în considerare greutățile weighted_cost_matrix = self.cost_matrix * (1/self.weights[:, np.newaxis]) # Inițializarea centroidelor cu coordonate random centroids = self.coordinates[np.random.choice(len(self.coordinates), size=self.n_clusters, replace=False)] # Iterații până la convergență while True: # Atribuirea fiecărui nod la cel mai apropiat centroid clusters = self.assign_clusters(centroids) # Calcularea noilor centroizi pe baza atribuirilor new_centroids = self.compute_centroids(clusters) # Verificarea dacă s-a atins convergența if np.allclose(centroids, new_centroids): break centroids = new_centroids self.labels_ = clusters self.cluster_centers_ = centroids def assign_clusters(self, centroids): clusters = np.zeros(len(self.coordinates)) # Atribuirea fiecărui nod la cel mai apropiat centroid for i, node in enumerate(self.coordinates): distances = np.linalg.norm(centroids - node, axis=1) weighted_distances = distances * (1/self.weights) clusters[i] = np.argmin(weighted_distances) return clusters def compute_centroids(self, clusters): centroids = np.zeros((self.n_clusters, 2)) cluster_weights = np.zeros(self.n_clusters) # Calcularea centrului de greutate al fiecărui cluster for i, cluster in enumerate(clusters): cluster_members = np.where(clusters == i)[0] cluster_weights[i] = np.sum(self.weights[cluster_members]) centroids[i] = np.average(self.coordinates[cluster_members], weights=self.weights[cluster_members], axis=0) # Verificarea dacă greutatea unui cluster depășește limita maximă if np.any(cluster_weights > self.max_weight): # Redistribuirea nodurilor în alte clustere până la respectarea limitei de greutate while np.any(cluster_weights > self.max_weight): max_weight_cluster = np.argmax(cluster_weights) min_weight_cluster = np.argmin(cluster_weights) max_weight_nodes = np.where(clusters == max_weight_cluster)[0] # Alegerea unui nod cu greutate mare din clusterul cu greutate maximă max_weight_node = max_weight_nodes[np.argmax(self.weights[max_weight_nodes])] # Redistribuirea nodului în clusterul cu greutate minimă clusters[max_weight_node] = min_weight_cluster # Recalcularea greutăților și centrului de greutate al clusterelor cluster_weights[max_weight_cluster] -= self.weights[max_weight_node] cluster_weights[min_weight_cluster] += self.weights[max_weight_node] centroids = self.compute_centroids(clusters) return centroidsExemplu de utilizare a clasei WeightedKMeans:
# Date de intrare coordinates = [(45.4215, -75.6919), (43.6532, -79.3832), (51.5074, -0.1278)] weights = [10, 5, 7] cost_matrix = [[0, 10, 20], [10, 0, 15], [20, 15, 0]] n_clusters = 2 max_weight = 15 # Instantierea si potrivirea modelului model = WeightedKMeans(n_clusters, max_weight, coordinates, weights, cost_matrix) model.fit() # Afișarea rezultatelor print("Etichetele nodurilor:", model.labels_) print("Centroizii clusterelor:", model.cluster_centers_)Rezultatul acestui exemplu va afișa etichetele nodurilor atribuite clusterelor și coordonatele centroidelor clusterelor.
Rețineți că codul de mai sus este un exemplu simplificat și necesită adaptare la nevoile specifice ale problemei și la structura datelor de intrare.