在 MATLAB 中使用 clusterdata 时出现内存不足错误

Question

我正在尝试对矩阵进行聚类（大小：20057x2）。：

T = clusterdata(X,cutoff);

但我收到此错误：

??? Error using ==> pdistmex
Out of memory. Type HELP MEMORY for your options.

Error in ==> pdist at 211
    Y = pdistmex(X',dist,additionalArg);

Error in ==> linkage at 139
       Z = linkagemex(Y,method,pdistArg);

Error in ==> clusterdata at 88
Z = linkage(X,linkageargs{1},pdistargs);

Error in ==> kmeansTest at 2
T = clusterdata(X,1);

有人可以帮助我吗？我有 4GB 内存，但认为问题出在其他地方。

Answer 1

正如其他人所提到的，层次聚类需要计算成对距离矩阵，在您的情况下，该矩阵太大而无法容纳在内存中。

尝试改用 K-Means 算法：

numClusters = 4;
T = kmeans(X, numClusters);

或者，您可以选择数据的随机子集并用作聚类算法的输入。接下来，将聚类中心计算为每个聚类组的平均值/中位数。最后，对于子集中未选择的每个实例，您只需计算其到每个质心的距离并将其分配给最近的一个。

下面是一个示例代码来说明上述想法：

%# random data
X = rand(25000, 2);

%# pick a subset
SUBSET_SIZE = 1000;            %# subset size
ind = randperm(size(X,1));
data = X(ind(1:SUBSET_SIZE), :);

%# cluster the subset data
D = pdist(data, 'euclid');
T = linkage(D, 'ward');
CUTOFF = 0.6*max(T(:,3));      %# CUTOFF = 5;
C = cluster(T, 'criterion','distance', 'cutoff',CUTOFF);
K = length( unique(C) );       %# number of clusters found

%# visualize the hierarchy of clusters
figure(1)
h = dendrogram(T, 0, 'colorthreshold',CUTOFF);
set(h, 'LineWidth',2)
set(gca, 'XTickLabel',[], 'XTick',[])

%# plot the subset data colored by clusters
figure(2)
subplot(121), gscatter(data(:,1), data(:,2), C), axis tight

%# compute cluster centers
centers = zeros(K, size(data,2));
for i=1:size(data,2)
    centers(:,i) = accumarray(C, data(:,i), [], @mean);
end

%# calculate distance of each instance to all cluster centers
D = zeros(size(X,1), K);
for k=1:K
    D(:,k) = sum( bsxfun(@minus, X, centers(k,:)).^2, 2);
end
%# assign each instance to the closest cluster
[~,clustIDX] = min(D, [], 2);

%#clustIDX( ind(1:SUBSET_SIZE) ) = C;

%# plot the entire data colored by clusters
subplot(122), gscatter(X(:,1), X(:,2), clustIDX), axis tight

Answer 2

X 太大，无法在 32 位机器上执行。 pdist 正在尝试创建一个 201,131,596 双精度行向量（clusterdata 使用 pdist），这将占用大约 1609MB (double< /code> 是 8 个字节）...如果您在 Windows 下使用 /3GB 开关运行它，您的最大矩阵大小将被限制为 1536MB（请参阅 此处）。

您需要以某种方式划分数据，而不是一次性直接对所有数据进行聚类。

Answer 3

PDIST 计算所有可能的行对之间的距离。如果您的数据包含 N=20057 行，则对的数量将为 N*(N-1)/2，在您的情况下为 201131596。对于您的机器来说可能太多了。