Implementering på Dummy-Datasæt
Du opretter to datasæt for at demonstrere DBSCAN's styrker:
-
Moons: to sammenflettede halvcirkler;
-
Circles: en lille cirkel inden i en større cirkel.
Algoritmen er som følger:
-
Du opretter et
DBSCAN
-objekt og angivereps
ogmin_samples
; -
Du tilpasser modellen til dine data;
-
Du visualiserer resultaterne ved at plotte datapunkterne og farvelægge dem efter deres tildelte klyngeetiketter.
Justering af hyperparametre
Valget af eps
og min_samples
har stor betydning for klyngeinddelingen. Eksperimentér med forskellige værdier for at finde det, der passer bedst til dine data. For eksempel, hvis eps
er for stor, kan alle punkter ende i én enkelt klynge. Hvis eps
er for lille, kan mange punkter blive klassificeret som støj. Du kan også skalere funktionerne.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 2.94
Implementering på Dummy-Datasæt
Stryg for at vise menuen
Du opretter to datasæt for at demonstrere DBSCAN's styrker:
-
Moons: to sammenflettede halvcirkler;
-
Circles: en lille cirkel inden i en større cirkel.
Algoritmen er som følger:
-
Du opretter et
DBSCAN
-objekt og angivereps
ogmin_samples
; -
Du tilpasser modellen til dine data;
-
Du visualiserer resultaterne ved at plotte datapunkterne og farvelægge dem efter deres tildelte klyngeetiketter.
Justering af hyperparametre
Valget af eps
og min_samples
har stor betydning for klyngeinddelingen. Eksperimentér med forskellige værdier for at finde det, der passer bedst til dine data. For eksempel, hvis eps
er for stor, kan alle punkter ende i én enkelt klynge. Hvis eps
er for lille, kan mange punkter blive klassificeret som støj. Du kan også skalere funktionerne.
Tak for dine kommentarer!