Implementación en Conjunto de Datos Ficticio
Crearás dos conjuntos de datos para demostrar las fortalezas de DBSCAN:
-
Moons: dos semicírculos entrelazados;
-
Circles: un círculo pequeño dentro de un círculo más grande.
El algoritmo es el siguiente:
-
Instanciar el objeto
DBSCAN
, configurandoeps
ymin_samples
; -
Ajustar el modelo a tus datos;
-
Visualizar los resultados graficando los puntos de datos y coloreándolos según sus etiquetas de clúster asignadas.
Ajuste de hiperparámetros
La elección de eps
y min_samples
impacta significativamente en el resultado del agrupamiento. Experimenta con diferentes valores para encontrar los que mejor se adapten a tus datos. Por ejemplo, si eps
es demasiado grande, todos los puntos podrían terminar en un solo clúster. Si eps
es demasiado pequeño, muchos puntos podrían clasificarse como ruido. También puedes escalar las características.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 2.94
Implementación en Conjunto de Datos Ficticio
Desliza para mostrar el menú
Crearás dos conjuntos de datos para demostrar las fortalezas de DBSCAN:
-
Moons: dos semicírculos entrelazados;
-
Circles: un círculo pequeño dentro de un círculo más grande.
El algoritmo es el siguiente:
-
Instanciar el objeto
DBSCAN
, configurandoeps
ymin_samples
; -
Ajustar el modelo a tus datos;
-
Visualizar los resultados graficando los puntos de datos y coloreándolos según sus etiquetas de clúster asignadas.
Ajuste de hiperparámetros
La elección de eps
y min_samples
impacta significativamente en el resultado del agrupamiento. Experimenta con diferentes valores para encontrar los que mejor se adapten a tus datos. Por ejemplo, si eps
es demasiado grande, todos los puntos podrían terminar en un solo clúster. Si eps
es demasiado pequeño, muchos puntos podrían clasificarse como ruido. También puedes escalar las características.
¡Gracias por tus comentarios!