source: src/main/java/weka/clusterers/sIB.java @ 16

Last change on this file since 16 was 4, checked in by gnappo, 14 years ago

Import di weka.

File size: 35.2 KB
RevLine 
[4]1/*
2 *    This program is free software; you can redistribute it and/or modify
3 *    it under the terms of the GNU General Public License as published by
4 *    the Free Software Foundation; either version 2 of the License, or
5 *    (at your option) any later version.
6 *
7 *    This program is distributed in the hope that it will be useful,
8 *    but WITHOUT ANY WARRANTY; without even the implied warranty of
9 *    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
10 *    GNU General Public License for more details.
11 *
12 *    You should have received a copy of the GNU General Public License
13 *    along with this program; if not, write to the Free Software
14 *    Foundation, Inc., 675 Mass Ave, Cambridge, MA 02139, USA.
15 */
16
17/*
18 *    sIB.java
19 *    Copyright (C) 2008 University of Waikato, Hamilton, New Zealand
20 *
21 */
22
23package weka.clusterers;
24
25import weka.core.Capabilities;
26import weka.core.Instance;
27import weka.core.DenseInstance;
28import weka.core.Instances;
29import weka.core.Option;
30import weka.core.RevisionHandler;
31import weka.core.RevisionUtils;
32import weka.core.TechnicalInformation;
33import weka.core.TechnicalInformationHandler;
34import weka.core.Utils;
35import weka.core.Capabilities.Capability;
36import weka.core.TechnicalInformation.Field;
37import weka.core.TechnicalInformation.Type;
38import weka.core.matrix.Matrix;
39import weka.filters.unsupervised.attribute.ReplaceMissingValues;
40
41import java.io.Serializable;
42import java.util.ArrayList;
43import java.util.Enumeration;
44import java.util.Random;
45import java.util.Vector;
46
47/**
48 <!-- globalinfo-start -->
49 * Cluster data using the sequential information bottleneck algorithm.<br/>
50 * <br/>
51 * Note: only hard clustering scheme is supported. sIB assign for each instance the cluster that have the minimum cost/distance to the instance. The trade-off beta is set to infinite so 1/beta is zero.<br/>
52 * <br/>
53 * For more information, see:<br/>
54 * <br/>
55 * Noam Slonim, Nir Friedman, Naftali Tishby: Unsupervised document classification using sequential information maximization. In: Proceedings of the 25th International ACM SIGIR Conference on Research and Development in Information Retrieval, 129-136, 2002.
56 * <p/>
57 <!-- globalinfo-end -->
58 *
59 <!-- technical-bibtex-start -->
60 * BibTeX:
61 * <pre>
62 * &#64;inproceedings{Slonim2002,
63 *    author = {Noam Slonim and Nir Friedman and Naftali Tishby},
64 *    booktitle = {Proceedings of the 25th International ACM SIGIR Conference on Research and Development in Information Retrieval},
65 *    pages = {129-136},
66 *    title = {Unsupervised document classification using sequential information maximization},
67 *    year = {2002}
68 * }
69 * </pre>
70 * <p/>
71 <!-- technical-bibtex-end -->
72 *
73 <!-- options-start -->
74 * Valid options are: <p/>
75 *
76 * <pre> -I &lt;num&gt;
77 *  maximum number of iterations
78 *  (default 100).</pre>
79 *
80 * <pre> -M &lt;num&gt;
81 *  minimum number of changes in a single iteration
82 *  (default 0).</pre>
83 *
84 * <pre> -N &lt;num&gt;
85 *  number of clusters.
86 *  (default 2).</pre>
87 *
88 * <pre> -R &lt;num&gt;
89 *  number of restarts.
90 *  (default 5).</pre>
91 *
92 * <pre> -U
93 *  set not to normalize the data
94 *  (default true).</pre>
95 *
96 * <pre> -V
97 *  set to output debug info
98 *  (default false).</pre>
99 *
100 * <pre> -S &lt;num&gt;
101 *  Random number seed.
102 *  (default 1)</pre>
103 *
104 <!-- options-end -->
105 *
106 * @author Noam Slonim
107 * @author <a href="mailto:lh92@cs.waikato.ac.nz">Anna Huang</a>
108 * @version $Revision: 5987 $
109 */
110public class sIB
111  extends RandomizableClusterer
112  implements TechnicalInformationHandler {
113 
114  /** for serialization. */
115  private static final long    serialVersionUID = -8652125897352654213L;
116 
117  /**
118   * Inner class handling status of the input data
119   *
120   * @see Serializable
121   */
122  private class Input
123    implements Serializable, RevisionHandler {
124   
125    /** for serialization */
126    static final long serialVersionUID = -2464453171263384037L;
127   
128    /** Prior probability of each instance */
129    private double[] Px;
130   
131    /** Prior probability of each attribute */
132    private double[] Py;
133   
134    /** Joint distribution of attribute and instance */
135    private Matrix Pyx;
136   
137    /** P[y|x] */
138    private Matrix Py_x;
139   
140    /** Mutual information between the instances and the attributes */
141    private double Ixy;
142   
143    /** Entropy of the attributes */ 
144    private double Hy;
145   
146    /** Entropy of the instances */
147    private double Hx;
148   
149    /** Sum values of the dataset */
150    private double sumVals;
151   
152    /**
153     * Returns the revision string.
154     *
155     * @return          the revision
156     */
157    public String getRevision() {
158      return RevisionUtils.extract("$Revision: 5987 $");
159    }
160  }
161 
162  /**
163   * Internal class handling the whole partition
164   *
165   * @see Serializable
166   */
167  private class Partition
168    implements Serializable, RevisionHandler {
169   
170    /** for serialization */
171    static final long serialVersionUID = 4957194978951259946L;
172   
173    /** Cluster assignment for each instance */
174    private int[]    Pt_x;
175   
176    /** Prior probability of each cluster */
177    private double[] Pt;
178   
179    /** sIB equation score, to evaluate the quality of the partition */
180    private double   L;
181   
182    /** Number of changes during the generation of this partition */
183    private int      counter;
184   
185    /** Attribute probablities for each cluster */
186    private Matrix   Py_t;
187
188    /**
189     * Create a new empty <code>Partition</code> instance.
190     */
191    public Partition() {
192      Pt_x = new int[m_numInstances];
193      for (int i = 0; i < m_numInstances; i++) {
194        Pt_x[i] = -1;
195      }
196      Pt = new double[m_numCluster];
197      Py_t = new Matrix(m_numAttributes, m_numCluster);
198      counter = 0;
199    }
200
201    /**
202     * Find all the instances that have been assigned to cluster i
203     * @param i index of the cluster
204     * @return an arraylist of the instance ids that have been assigned to cluster i
205     */
206    private ArrayList<Integer> find(int i) {
207      ArrayList<Integer> indices = new ArrayList<Integer>();
208      for (int x = 0; x < Pt_x.length; x++) {
209        if (Pt_x[x] == i) {
210          indices.add(x);
211        }
212      }
213      return indices;
214    }
215
216    /**
217     * Find the size of the cluster i
218     * @param i index of the cluster
219     * @return the size of cluster i
220     */
221    private int size(int i) {
222      int count = 0;
223      for (int x = 0; x < Pt_x.length; x++) {
224        if (Pt_x[x] == i) {
225          count++;
226        }
227      }
228      return count;
229    }
230
231    /**
232     * Copy the current partition into T
233     * @param T the target partition object
234     */
235    private void copy(Partition T) {
236      if (T == null) {
237        T = new Partition();
238      }
239      System.arraycopy(Pt_x, 0, T.Pt_x, 0, Pt_x.length);
240      System.arraycopy(Pt, 0, T.Pt, 0, Pt.length);
241      T.L = L;
242      T.counter = counter;
243
244      double[][] mArray = Py_t.getArray();
245      double[][] tgtArray = T.Py_t.getArray();
246      for (int i = 0; i < mArray.length; i++) {
247        System.arraycopy(mArray[i], 0, tgtArray[i], 0, mArray[0].length);
248      }
249    }
250
251    /**
252     * Output the current partition
253     * @param insts
254     * @return a string that describes the partition
255     */
256    public String toString() {
257      StringBuffer text = new StringBuffer();
258      text.append("score (L) : " + Utils.doubleToString(L, 4) + "\n");
259      text.append("number of changes : " + counter +"\n");
260      for (int i = 0; i < m_numCluster; i++) {
261        text.append("\nCluster "+i+"\n");
262        text.append("size : "+size(i)+"\n");
263        text.append("prior prob : "+Utils.doubleToString(Pt[i], 4)+"\n");
264      }
265      return text.toString();
266    }
267   
268    /**
269     * Returns the revision string.
270     *
271     * @return          the revision
272     */
273    public String getRevision() {
274      return RevisionUtils.extract("$Revision: 5987 $");
275    }
276  }
277
278  /** Training data */
279  private Instances m_data;
280
281  /** Number of clusters */
282  private int m_numCluster = 2;
283
284  /** Number of restarts */
285  private int m_numRestarts = 5;
286 
287  /** Verbose? */
288  private boolean m_verbose = false;
289
290  /** Uniform prior probability of the documents */
291  private boolean m_uniformPrior = true;
292
293  /** Max number of iterations during each restart */
294  private int m_maxLoop = 100;
295
296  /** Minimum number of changes */
297  private int m_minChange = 0;
298
299  /** Globally replace missing values */
300  private ReplaceMissingValues m_replaceMissing;
301
302  /** Number of instances */
303  private int m_numInstances;
304
305  /** Number of attributes */
306  private int m_numAttributes;
307 
308  /** Randomly generate initial partition */
309  private Random random;
310 
311  /** Holds the best partition built */
312  private Partition bestT;
313 
314  /** Holds the statistics about the input dataset */
315  private Input input;
316 
317  /**
318   * Generates a clusterer.
319   *
320   * @param data the training instances
321   * @throws Exception if something goes wrong
322   */
323  public void buildClusterer(Instances data) throws Exception {
324    // can clusterer handle the data ?
325    getCapabilities().testWithFail(data);
326
327    m_replaceMissing = new ReplaceMissingValues();
328    Instances instances = new Instances(data);
329    instances.setClassIndex(-1);
330    m_replaceMissing.setInputFormat(instances);
331    data = weka.filters.Filter.useFilter(instances, m_replaceMissing);
332    instances = null;
333   
334    // initialize all fields that are not being set via options
335    m_data = data;
336    m_numInstances = m_data.numInstances();
337    m_numAttributes = m_data.numAttributes();
338    random = new Random(getSeed()); 
339   
340    // initialize the statistics of the input training data
341    input = sIB_ProcessInput();
342   
343    // object to hold the best partition
344    bestT = new Partition();
345
346    // the real clustering
347    double bestL = Double.NEGATIVE_INFINITY;
348    for (int k = 0; k < m_numRestarts; k++) {   
349      if(m_verbose) {
350        System.out.format("restart number %s...\n", k);
351      }
352     
353      // initialize the partition and optimize it
354      Partition tmpT = sIB_InitT(input);     
355      tmpT = sIB_OptimizeT(tmpT, input);
356
357      // if a better partition is found, save it
358      if (tmpT.L > bestL) {
359        tmpT.copy(bestT);
360        bestL = bestT.L;
361      }
362     
363      if(m_verbose) {
364        System.out.println("\nPartition status : ");
365        System.out.println("------------------");
366        System.out.println(tmpT.toString()+"\n");
367      }
368    }
369   
370    if(m_verbose){
371      System.out.println("\nBest Partition");
372      System.out.println("===============");     
373      System.out.println(bestT.toString());
374    }
375   
376    // save memory
377    m_data = new Instances(m_data, 0);
378  }
379 
380  /**
381   * Cluster a given instance, this is the method defined in Clusterer
382   * interface do nothing but just return the cluster assigned to it
383   */
384  public int clusterInstance(Instance instance) throws Exception {
385    double prior = (double) 1 / input.sumVals;
386    double[] distances = new double[m_numCluster]; 
387    for(int i = 0; i < m_numCluster; i++){
388      double Pnew = bestT.Pt[i] + prior;
389      double pi1 = prior / Pnew;
390      double pi2 = bestT.Pt[i] / Pnew;
391      distances[i] = Pnew * JS(instance, i, pi1, pi2);
392    }
393    return Utils.minIndex(distances);
394  }
395
396  /**
397   * Process the input and compute the statistics of the training data
398   * @return an Input object which holds the statistics about the training data
399   */
400  private Input sIB_ProcessInput() {
401    double valSum = 0.0;
402    for (int i = 0; i < m_numInstances; i++) {
403      valSum = 0.0;
404      for (int v = 0; v < m_data.instance(i).numValues(); v++) {
405        valSum += m_data.instance(i).valueSparse(v);
406      }
407      if (valSum <= 0) {
408        if(m_verbose){
409          System.out.format("Instance %s sum of value = %s <= 0, removed.\n", i, valSum);
410        }
411        m_data.delete(i);
412        m_numInstances--;
413      }
414    }
415
416    // get the term-document matrix
417    Input input = new Input();
418    input.Py_x = getTransposedNormedMatrix(m_data);   
419    if (m_uniformPrior) {
420      input.Pyx = input.Py_x.copy(); 
421      normalizePrior(m_data);
422    } 
423    else {
424      input.Pyx = getTransposedMatrix(m_data);
425    }
426    input.sumVals = getTotalSum(m_data);   
427    input.Pyx.timesEquals((double) 1 / input.sumVals);
428
429    // prior probability of documents, ie. sum the columns from the Pyx matrix
430    input.Px = new double[m_numInstances];
431    for (int i = 0; i < m_numInstances; i++) {
432      for (int j = 0; j < m_numAttributes; j++) {
433        input.Px[i] += input.Pyx.get(j, i);
434      }           
435    }
436
437    // prior probability of terms, ie. sum the rows from the Pyx matrix
438    input.Py = new double[m_numAttributes];
439    for (int i = 0; i < input.Pyx.getRowDimension(); i++) {
440      for (int j = 0; j < input.Pyx.getColumnDimension(); j++) {
441        input.Py[i] += input.Pyx.get(i, j);
442      }
443    }
444   
445    MI(input.Pyx, input);
446    return input;
447  }
448
449  /**
450   * Initialize the partition
451   * @param input object holding the statistics of the training data
452   * @return the initialized partition
453   */
454  private Partition sIB_InitT(Input input) {
455    Partition T = new Partition();
456    int avgSize = (int) Math.ceil((double) m_numInstances / m_numCluster);   
457   
458    ArrayList<Integer> permInstsIdx = new ArrayList<Integer>();
459    ArrayList<Integer> unassigned = new ArrayList<Integer>();
460    for (int i = 0; i < m_numInstances; i++) {
461      unassigned.add(i);
462    }
463    while (unassigned.size() != 0) {
464      int t = random.nextInt(unassigned.size());
465      permInstsIdx.add(unassigned.get(t));
466      unassigned.remove(t);
467    }
468
469    for (int i = 0; i < m_numCluster; i++) {
470      int r2 = avgSize > permInstsIdx.size() ? permInstsIdx.size() : avgSize;
471      for (int j = 0; j < r2; j++) {
472        T.Pt_x[permInstsIdx.get(j)] = i;
473      }     
474      for (int j = 0; j < r2; j++) {   
475        permInstsIdx.remove(0);
476      }
477    }
478   
479    // initialize the prior prob of each cluster, and the probability
480    // for each attribute within the cluster
481    for (int i = 0; i < m_numCluster; i++) {
482      ArrayList<Integer> indices = T.find(i);
483      for (int j = 0; j < indices.size(); j++) {
484        T.Pt[i] += input.Px[indices.get(j)];
485      }
486      double[][] mArray = input.Pyx.getArray();
487      for (int j = 0; j < m_numAttributes; j++) {
488        double sum = 0.0;
489        for (int k = 0; k < indices.size(); k++) {
490          sum += mArray[j][indices.get(k)];
491        }
492        sum /= T.Pt[i];
493        T.Py_t.set(j, i, sum);
494      }
495    }
496   
497    if(m_verbose) {
498      System.out.println("Initializing...");
499    }
500    return T;
501  }
502
503  /**
504   * Optimize the partition
505   * @param tmpT partition to be optimized
506   * @param input object describing the statistics of the training dataset
507   * @return the optimized partition
508   */
509  private Partition sIB_OptimizeT(Partition tmpT, Input input) {
510    boolean done = false;
511    int change = 0, loopCounter = 0;
512    if(m_verbose) {
513      System.out.println("Optimizing...");
514      System.out.println("-------------");
515    }
516    while (!done) {
517      change = 0;
518      for (int i = 0; i < m_numInstances; i++) {
519        int old_t = tmpT.Pt_x[i];
520        // If the current cluster only has one instance left, leave it.
521        if (tmpT.size(old_t) == 1) {
522          if(m_verbose){
523            System.out.format("cluster %s has only 1 doc remain\n", old_t);
524          }
525          continue;
526        }
527        // draw the instance out from its previous cluster
528        reduce_x(i, old_t, tmpT, input);
529       
530        // re-cluster the instance
531        int new_t = clusterInstance(i, input, tmpT);   
532        if (new_t != old_t) {     
533          change++;
534          updateAssignment(i, new_t, tmpT, input.Px[i], input.Py_x);
535        }
536      }
537     
538      tmpT.counter += change;
539      if(m_verbose){
540        System.out.format("iteration %s , changes : %s\n", loopCounter, change);
541      }
542      done = checkConvergence(change, loopCounter);
543      loopCounter++;
544    }
545
546    // compute the sIB score
547    tmpT.L = sIB_local_MI(tmpT.Py_t, tmpT.Pt);
548    if(m_verbose){
549      System.out.format("score (L) : %s \n", Utils.doubleToString(tmpT.L, 4));
550    }
551    return tmpT;
552  }
553
554  /**
555   * Draw a instance out from a cluster.
556   * @param instIdx index of the instance to be drawn out
557   * @param t index of the cluster which the instance previously belong to
558   * @param T the current working partition
559   * @param input the input statistics
560   */
561  private void reduce_x(int instIdx, int t, Partition T, Input input) {
562    // Update the prior probability of the cluster
563    ArrayList<Integer> indices = T.find(t);
564    double sum = 0.0;
565    for (int i = 0; i < indices.size(); i++) {
566      if (indices.get(i) == instIdx)
567        continue;     
568      sum += input.Px[indices.get(i)];
569    }
570    T.Pt[t] = sum;
571   
572    if (T.Pt[t] < 0) {
573      System.out.format("Warning: probability < 0 (%s)\n", T.Pt[t]);
574      T.Pt[t] = 0;
575    }
576   
577    // Update prob of each attribute in the cluster   
578    double[][] mArray = input.Pyx.getArray();
579    for (int i = 0; i < m_numAttributes; i++) {
580      sum = 0.0;
581      for (int j = 0; j < indices.size(); j++) {
582        if (indices.get(j) == instIdx)
583          continue;
584        sum += mArray[i][indices.get(j)];
585      }
586      T.Py_t.set(i, t, sum / T.Pt[t]);
587    }   
588  }
589
590  /**
591   * Put an instance into a new cluster and update.
592   * @param instIdx instance to be updated
593   * @param newt index of the new cluster this instance has been assigned to
594   * @param T the current working partition
595   * @param Px an array of prior probabilities of the instances
596   */
597  private void updateAssignment(int instIdx, int newt, Partition T, double Px, Matrix Py_x) {   
598    T.Pt_x[instIdx] = newt;
599   
600    // update probability of attributes in the cluster
601    double mass = Px + T.Pt[newt];
602    double pi1 = Px / mass;
603    double pi2 = T.Pt[newt] / mass;
604    for (int i = 0; i < m_numAttributes; i++) {
605      T.Py_t.set(i, newt, pi1 * Py_x.get(i, instIdx) + pi2 * T.Py_t.get(i, newt));
606    }
607
608    T.Pt[newt] = mass;
609  }
610 
611  /**
612   * Check whether the current iteration is converged
613   * @param change number of changes in current iteration
614   * @param loops number of iterations done
615   * @return true if the iteration is converged, false otherwise
616   */
617  private boolean checkConvergence(int change, int loops) {
618    if (change <= m_minChange || loops >= m_maxLoop) {
619      if(m_verbose){
620        System.out.format("\nsIB converged after %s iterations with %s changes\n", loops,
621          change);
622      }
623      return true;
624    }
625    return false;
626  }
627
628  /**
629   * Cluster an instance into the nearest cluster.
630   * @param instIdx Index of the instance to be clustered
631   * @param input Object which describe the statistics of the training dataset
632   * @param T Partition
633   * @return index of the cluster that has the minimum distance to the instance
634   */
635  private int clusterInstance(int instIdx, Input input, Partition T) {
636    double[] distances = new double[m_numCluster];
637    for (int i = 0; i < m_numCluster; i++) {
638      double Pnew = input.Px[instIdx] + T.Pt[i];
639      double pi1 = input.Px[instIdx] / Pnew;
640      double pi2 = T.Pt[i] / Pnew;
641      distances[i] = Pnew * JS(instIdx, input, T, i, pi1, pi2);
642    }
643    return Utils.minIndex(distances);   
644  }
645
646  /**
647   * Compute the JS divergence between an instance and a cluster, used for training data
648   * @param instIdx index of the instance
649   * @param input statistics of the input data
650   * @param T the whole partition
651   * @param t index of the cluster
652   * @param pi1
653   * @param pi2
654   * @return the JS divergence
655   */
656  private double JS(int instIdx, Input input, Partition T, int t, double pi1, double pi2) {
657    if (Math.min(pi1, pi2) <= 0) {
658      System.out.format("Warning: zero or negative weights in JS calculation! (pi1 %s, pi2 %s)\n", pi1, pi2);
659      return 0;
660    }
661    Instance inst = m_data.instance(instIdx);
662    double kl1 = 0.0, kl2 = 0.0, tmp = 0.0;   
663    for (int i = 0; i < inst.numValues(); i++) {
664      tmp = input.Py_x.get(inst.index(i), instIdx);     
665      if(tmp != 0) {
666        kl1 += tmp * Math.log(tmp / (tmp * pi1 + pi2 * T.Py_t.get(inst.index(i), t)));
667      }
668    }
669    for (int i = 0; i < m_numAttributes; i++) {
670      if ((tmp = T.Py_t.get(i, t)) != 0) {
671        kl2 += tmp * Math.log(tmp / (input.Py_x.get(i, instIdx) * pi1 + pi2 * tmp));
672      }
673    }   
674    return pi1 * kl1 + pi2 * kl2;
675  }
676 
677  /**
678   * Compute the JS divergence between an instance and a cluster, used for test data
679   * @param inst instance to be clustered
680   * @param t index of the cluster
681   * @param pi1
682   * @param pi2
683   * @return the JS divergence
684   */
685  private double JS(Instance inst, int t, double pi1, double pi2) {
686    if (Math.min(pi1, pi2) <= 0) {
687      System.out.format("Warning: zero or negative weights in JS calculation! (pi1 %s, pi2 %s)\n", pi1, pi2);
688      return 0;
689    }
690    double sum = Utils.sum(inst.toDoubleArray());
691    double kl1 = 0.0, kl2 = 0.0, tmp = 0.0;   
692    for (int i = 0; i < inst.numValues(); i++) {
693      tmp = inst.valueSparse(i) / sum;     
694      if(tmp != 0) {
695        kl1 += tmp * Math.log(tmp / (tmp * pi1 + pi2 * bestT.Py_t.get(inst.index(i), t)));
696      }
697    }
698    for (int i = 0; i < m_numAttributes; i++) {
699      if ((tmp = bestT.Py_t.get(i, t)) != 0) {
700        kl2 += tmp * Math.log(tmp / (inst.value(i) * pi1  / sum + pi2 * tmp));
701      }
702    }   
703    return pi1 * kl1 + pi2 * kl2;
704  }
705 
706  /**
707   * Compute the sIB score
708   * @param m a term-cluster matrix, with m[i, j] is the probability of term i given cluster j 
709   * @param Pt an array of cluster prior probabilities
710   * @return the sIB score which indicates the quality of the partition
711   */
712  private double sIB_local_MI(Matrix m, double[] Pt) {
713    double Hy = 0.0, Ht = 0.0;
714    for (int i = 0; i < Pt.length; i++) {
715      Ht += Pt[i] * Math.log(Pt[i]);
716    }
717    Ht = -Ht;
718   
719    for (int i = 0; i < m_numAttributes; i++) {
720      double Py = 0.0;
721      for (int j = 0; j < m_numCluster; j++) {
722        Py += m.get(i, j) * Pt[j];     
723      }     
724      if(Py == 0) continue;
725      Hy += Py * Math.log(Py);
726    }
727    Hy = -Hy;
728   
729    double Hyt = 0.0, tmp = 0.0;
730    for (int i = 0; i < m.getRowDimension(); i++) {
731      for (int j = 0; j < m.getColumnDimension(); j++) {
732        if ((tmp = m.get(i, j)) == 0 || Pt[j] == 0) {
733          continue;
734        }
735        tmp *= Pt[j];
736        Hyt += tmp * Math.log(tmp);
737      }
738    }
739    return Hy + Ht + Hyt;
740  }
741 
742  /**
743   * Get the sum of value of the dataset
744   * @param data set of instances to handle
745   * @return sum of all the attribute values for all the instances in the dataset
746   */
747  private double getTotalSum(Instances data) {
748    double sum = 0.0;
749    for (int i = 0; i < data.numInstances(); i++) {
750      for (int v = 0; v < data.instance(i).numValues(); v++) {
751        sum += data.instance(i).valueSparse(v);
752      }
753    }
754    return sum;
755  }
756
757  /**
758   * Transpose the document-term matrix to term-document matrix
759   * @param data instances with document-term info
760   * @return a term-document matrix transposed from the input dataset
761   */
762  private Matrix getTransposedMatrix(Instances data) {
763    double[][] temp = new double[data.numAttributes()][data.numInstances()];
764    for (int i = 0; i < data.numInstances(); i++) {
765      Instance inst = data.instance(i);
766      for (int v = 0; v < inst.numValues(); v++) {
767        temp[inst.index(v)][i] = inst.valueSparse(v);
768      }
769    }
770    Matrix My_x = new Matrix(temp);
771    return My_x;
772  }
773
774  /**
775   * Normalize the document vectors
776   * @param data instances to be normalized
777   */
778  private void normalizePrior(Instances data) {
779    for (int i = 0; i < data.numInstances(); i++) {
780      normalizeInstance(data.instance(i));
781    }
782  }
783 
784  /**
785   * Normalize the instance
786   * @param inst instance to be normalized
787   * @return a new Instance with normalized values
788   */
789  private Instance normalizeInstance(Instance inst) {
790    double[] vals = inst.toDoubleArray();
791    double sum = Utils.sum(vals);
792    for(int i = 0; i < vals.length; i++) {
793      vals[i] /= sum;
794    }
795    return new DenseInstance(inst.weight(), vals);
796  }
797 
798  private Matrix getTransposedNormedMatrix(Instances data) {
799    Matrix matrix = new Matrix(data.numAttributes(), data.numInstances());
800    for(int i = 0; i < data.numInstances(); i++){
801      double[] vals = data.instance(i).toDoubleArray();
802      double sum = Utils.sum(vals);
803      for (int v = 0; v < vals.length; v++) {
804        vals[v] /= sum;
805        matrix.set(v, i, vals[v]);
806      }     
807    }
808    return matrix;
809  }
810 
811  /**
812   * Compute the MI between instances and attributes
813   * @param m the term-document matrix
814   * @param input object that describes the statistics about the training data
815   */
816  private void MI(Matrix m, Input input){   
817    int minDimSize = m.getColumnDimension() < m.getRowDimension() ? m.getColumnDimension() : m.getRowDimension();
818    if(minDimSize < 2){
819      System.err.println("Warning : This is not a JOINT distribution");
820      input.Hx = Entropy (m);
821      input.Hy = 0;
822      input.Ixy = 0;
823      return;
824    }
825   
826    input.Hx = Entropy(input.Px);
827    input.Hy = Entropy(input.Py);
828   
829    double entropy = input.Hx + input.Hy;   
830    for (int i=0; i < m_numInstances; i++) {
831      Instance inst = m_data.instance(i);
832      for (int v = 0; v < inst.numValues(); v++) {
833        double tmp = m.get(inst.index(v), i);
834        if(tmp <= 0) continue;
835        entropy += tmp * Math.log(tmp);
836      }
837    }
838    input.Ixy = entropy;
839    if(m_verbose) {
840      System.out.println("Ixy = " + input.Ixy);
841    }
842  }
843 
844  /**
845   * Compute the entropy score based on an array of probabilities
846   * @param probs array of non-negative and normalized probabilities
847   * @return the entropy value
848   */
849  private double Entropy(double[] probs){
850    for (int i = 0; i < probs.length; i++){
851      if (probs[i] <= 0) {
852        if(m_verbose) {
853          System.out.println("Warning: Negative probability.");
854        }
855        return Double.NaN;
856      }
857    }
858    // could be unormalized, when normalization is not specified
859    if(Math.abs(Utils.sum(probs)-1) >= 1e-6) {
860      if(m_verbose) {
861        System.out.println("Warning: Not normalized.");
862      }
863      return Double.NaN;
864    }
865   
866    double mi = 0.0;
867    for (int i = 0; i < probs.length; i++) {
868      mi += probs[i] * Math.log(probs[i]);
869    }
870    mi = -mi;
871    return mi;
872  }
873 
874  /**
875   * Compute the entropy score based on a matrix
876   * @param p a matrix with non-negative and normalized probabilities
877   * @return the entropy value
878   */
879  private double Entropy(Matrix p) {
880    double mi = 0;
881    for (int i = 0; i < p.getRowDimension(); i++) {
882      for (int j = 0; j < p.getColumnDimension(); j++) {
883        if(p.get(i, j) == 0){
884          continue;
885        }
886        mi += p.get(i, j) + Math.log(p.get(i, j)); 
887      }
888    }
889    mi = -mi;
890    return mi;
891  }
892 
893  /**
894   * Parses a given list of options. <p/>
895   *
896   <!-- options-start -->
897   * Valid options are: <p/>
898   *
899   * <pre> -I &lt;num&gt;
900   *  maximum number of iterations
901   *  (default 100).</pre>
902   *
903   * <pre> -M &lt;num&gt;
904   *  minimum number of changes in a single iteration
905   *  (default 0).</pre>
906   *
907   * <pre> -N &lt;num&gt;
908   *  number of clusters.
909   *  (default 2).</pre>
910   *
911   * <pre> -R &lt;num&gt;
912   *  number of restarts.
913   *  (default 5).</pre>
914   *
915   * <pre> -U
916   *  set not to normalize the data
917   *  (default true).</pre>
918   *
919   * <pre> -V
920   *  set to output debug info
921   *  (default false).</pre>
922   *
923   * <pre> -S &lt;num&gt;
924   *  Random number seed.
925   *  (default 1)</pre>
926   *
927   <!-- options-end -->
928   *
929   * @param options the list of options as an array of strings
930   * @throws Exception if an option is not supported
931   */
932  public void setOptions(String[] options) throws Exception {
933    String optionString = Utils.getOption('I', options);
934    if (optionString.length() != 0) {
935      setMaxIterations(Integer.parseInt(optionString));
936    }
937    optionString = Utils.getOption('M', options);
938    if (optionString.length() != 0) {
939      setMinChange((new Integer(optionString)).intValue());
940    }
941    optionString = Utils.getOption('N', options);
942    if (optionString.length() != 0) {
943      setNumClusters(Integer.parseInt(optionString));
944    } 
945    optionString = Utils.getOption('R', options);
946    if (optionString.length() != 0) {
947      setNumRestarts((new Integer(optionString)).intValue());
948    }   
949    setNotUnifyNorm(Utils.getFlag('U', options));   
950    setDebug(Utils.getFlag('V', options));
951   
952    super.setOptions(options);
953  }
954
955  /**
956   * Returns an enumeration describing the available options.
957   * @return an enumeration of all the available options.
958   */
959  public Enumeration listOptions() {
960    Vector<Option> result = new Vector<Option>();
961    result.addElement(new Option("\tmaximum number of iterations\n"
962        + "\t(default 100).", "I", 1, "-I <num>"));
963    result.addElement(new Option(
964        "\tminimum number of changes in a single iteration\n"
965        + "\t(default 0).", "M", 1, "-M <num>"));
966    result.addElement(new Option("\tnumber of clusters.\n" + "\t(default 2).",
967        "N", 1, "-N <num>"));
968    result.addElement(new Option("\tnumber of restarts.\n" 
969        + "\t(default 5).", "R", 1, "-R <num>"));
970    result.addElement(new Option("\tset not to normalize the data\n" 
971        + "\t(default true).", "U", 0, "-U"));
972    result.addElement(new Option("\tset to output debug info\n" 
973        + "\t(default false).", "V", 0, "-V"));
974   
975    Enumeration en = super.listOptions();
976    while (en.hasMoreElements())
977      result.addElement((Option) en.nextElement());
978   
979    return result.elements();
980  }
981 
982  /**
983   * Gets the current settings.
984   * @return an array of strings suitable for passing to setOptions()
985   */
986  public String[] getOptions() {
987    Vector<String> result;
988    result = new Vector<String>();
989    result.add("-I"); 
990    result.add("" + getMaxIterations());
991    result.add("-M"); 
992    result.add("" + getMinChange());
993    result.add("-N"); 
994    result.add("" + getNumClusters());
995    result.add("-R"); 
996    result.add("" + getNumRestarts());
997    if(getNotUnifyNorm()) {
998      result.add("-U");
999    }
1000    if(getDebug()) {
1001      result.add("-V");
1002    }
1003   
1004    String[] options = super.getOptions();
1005    for (int i = 0; i < options.length; i++){
1006      result.add(options[i]);
1007    }
1008    return result.toArray(new String[result.size()]);     
1009  }
1010 
1011  /**
1012   * Returns the tip text for this property
1013   * @return tip text for this property suitable for
1014   * displaying in the explorer/experimenter gui
1015   */
1016  public String debugTipText() {
1017    return "If set to true, clusterer may output additional info to " +
1018      "the console.";
1019  }
1020 
1021  /**
1022   * Set debug mode - verbose output
1023   * @param v true for verbose output
1024   */
1025  public void setDebug (boolean v) {
1026    m_verbose = v;
1027  }
1028 
1029  /**
1030   * Get debug mode
1031   * @return true if debug mode is set
1032   */
1033  public boolean getDebug () {
1034    return  m_verbose;
1035  }
1036 
1037  /**
1038   * Returns the tip text for this property.
1039   * @return tip text for this property
1040   */
1041  public String maxIterationsTipText() {
1042    return "set maximum number of iterations (default 100)";
1043  }
1044
1045  /**
1046   * Set the max number of iterations
1047   * @param i max number of iterations
1048   */
1049  public void setMaxIterations(int i) {
1050    m_maxLoop = i;
1051  }
1052
1053  /**
1054   * Get the max number of iterations
1055   * @return max number of iterations
1056   */
1057  public int getMaxIterations() {
1058    return m_maxLoop;
1059  }
1060
1061  /**
1062   * Returns the tip text for this property.
1063   * @return tip text for this property
1064   */
1065  public String minChangeTipText() {
1066    return "set minimum number of changes (default 0)";
1067  }
1068 
1069  /**
1070   * set the minimum number of changes
1071   * @param m the minimum number of changes
1072   */
1073  public void setMinChange(int m) {
1074    m_minChange = m;
1075  }
1076 
1077  /**
1078   * get the minimum number of changes
1079   * @return the minimum number of changes
1080   */
1081  public int getMinChange() {
1082    return m_minChange;
1083  }
1084 
1085  /**
1086   * Returns the tip text for this property.
1087   * @return tip text for this property
1088   */
1089  public String numClustersTipText() {
1090    return "set number of clusters (default 2)";
1091  }
1092
1093  /**
1094   * Set the number of clusters
1095   * @param n number of clusters
1096   */
1097  public void setNumClusters(int n) {
1098    m_numCluster = n;
1099  }
1100 
1101  /**
1102   * Get the number of clusters
1103   * @return the number of clusters
1104   */
1105  public int getNumClusters() {
1106    return m_numCluster;
1107  }
1108 
1109  /**
1110   * Get the number of clusters
1111   * @return the number of clusters
1112   */
1113  public int numberOfClusters() {
1114    return m_numCluster;
1115  }
1116 
1117  /**
1118   * Returns the tip text for this property.
1119   * @return tip text for this property
1120   */
1121  public String numRestartsTipText() {   
1122    return "set number of restarts (default 5)";
1123  }
1124 
1125  /**
1126   * Set the number of restarts
1127   * @param i number of restarts
1128   */
1129  public void setNumRestarts(int i) {
1130    m_numRestarts = i;
1131  }
1132 
1133  /**
1134   * Get the number of restarts
1135   * @return number of restarts
1136   */
1137  public int getNumRestarts(){
1138    return m_numRestarts;
1139  } 
1140 
1141  /**
1142   * Returns the tip text for this property.
1143   * @return tip text for this property
1144   */
1145  public String notUnifyNormTipText() {
1146    return "set whether to normalize each instance to a unify prior probability (eg. 1).";
1147  }
1148 
1149  /**
1150   * Set whether to normalize instances to unify prior probability
1151   * before building the clusterer
1152   * @param b true to normalize, otherwise false
1153   */
1154  public void setNotUnifyNorm(boolean b){
1155    m_uniformPrior = !b;
1156  }
1157 
1158  /**
1159   * Get whether to normalize instances to unify prior probability
1160   * before building the clusterer
1161   * @return true if set to normalize, false otherwise
1162   */
1163  public boolean getNotUnifyNorm() {
1164    return !m_uniformPrior;
1165  }
1166 
1167  /**
1168   * Returns a string describing this clusterer
1169   * @return a description of the clusterer suitable for
1170   * displaying in the explorer/experimenter gui
1171   */
1172  public String globalInfo() {
1173    return "Cluster data using the sequential information bottleneck algorithm.\n\n" +
1174                "Note: only hard clustering scheme is supported. sIB assign for each " +
1175                "instance the cluster that have the minimum cost/distance to the instance. " +
1176                "The trade-off beta is set to infinite so 1/beta is zero.\n\n" +
1177                "For more information, see:\n\n"
1178                +getTechnicalInformation().toString();
1179  }
1180 
1181  /**
1182   * Returns an instance of a TechnicalInformation object, containing
1183   * detailed information about the technical background of this class,
1184   * e.g., paper reference or book this class is based on.
1185   * @return the technical information about this class
1186   */
1187  public TechnicalInformation getTechnicalInformation() {
1188    TechnicalInformation        result;
1189   
1190    result = new TechnicalInformation(Type.INPROCEEDINGS);
1191    result.setValue(Field.AUTHOR, "Noam Slonim and Nir Friedman and Naftali Tishby");
1192    result.setValue(Field.YEAR, "2002");
1193    result.setValue(Field.TITLE, "Unsupervised document classification using sequential information maximization");
1194    result.setValue(Field.BOOKTITLE, "Proceedings of the 25th International ACM SIGIR Conference on Research and Development in Information Retrieval");
1195    result.setValue(Field.PAGES, "129-136");
1196   
1197    return result;
1198  }
1199 
1200  /**
1201   * Returns default capabilities of the clusterer.
1202   * @return      the capabilities of this clusterer
1203   */
1204  public Capabilities getCapabilities() {
1205    Capabilities result = super.getCapabilities();
1206    result.disableAll();
1207    result.enable(Capability.NO_CLASS);
1208   
1209    // attributes
1210    result.enable(Capability.NUMERIC_ATTRIBUTES);
1211    return result;
1212  }
1213 
1214  public String toString(){
1215    StringBuffer text = new StringBuffer();
1216    text.append("\nsIB\n===\n");
1217    text.append("\nNumber of clusters: " + m_numCluster + "\n");
1218   
1219    for (int j = 0; j < m_numCluster; j++) {
1220      text.append("\nCluster: " + j + " Size : " + bestT.size(j) + " Prior probability: " 
1221                  + Utils.doubleToString(bestT.Pt[j], 4) + "\n\n");
1222      for (int i = 0; i < m_numAttributes; i++) {
1223        text.append("Attribute: " + m_data.attribute(i).name() + "\n");
1224        text.append("Probability given the cluster = " 
1225              + Utils.doubleToString(bestT.Py_t.get(i, j), 4) 
1226              + "\n");
1227      }
1228    }
1229    return text.toString();
1230  }
1231 
1232  /**
1233   * Returns the revision string.
1234   *
1235   * @return            the revision
1236   */
1237  public String getRevision() {
1238    return RevisionUtils.extract("$Revision: 5987 $");
1239  }
1240 
1241  public static void main(String[] argv) {
1242    runClusterer(new sIB(), argv); 
1243  }
1244}
Note: See TracBrowser for help on using the repository browser.