Toteutus Esimerkkiaineistolla
Luot kaksi tietojoukkoa havainnollistaaksesi DBSCAN:n vahvuuksia:
-
Moons: kaksi lomittuvaa puolikaarta;
-
Circles: pieni ympyrä suuremman ympyrän sisällä.
Algoritmi etenee seuraavasti:
-
Luodaan
DBSCAN
-olio ja asetetaaneps
jamin_samples
; -
Sovitetaan malli dataan;
-
Visualisoidaan tulokset piirtämällä datapisteet ja värittämällä ne niiden klusteritunnisteiden mukaan.
Hyperparametrien säätäminen
eps
- ja min_samples
-arvojen valinta vaikuttaa merkittävästi klusteroinnin lopputulokseen. Kokeile eri arvoja löytääksesi parhaiten dataasi sopivat asetukset. Esimerkiksi, jos eps
on liian suuri, kaikki pisteet voivat päätyä yhteen klusteriin. Jos eps
on liian pieni, monet pisteet voidaan luokitella kohinaksi. Voit myös skaalata piirteitä.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 2.94
Toteutus Esimerkkiaineistolla
Pyyhkäise näyttääksesi valikon
Luot kaksi tietojoukkoa havainnollistaaksesi DBSCAN:n vahvuuksia:
-
Moons: kaksi lomittuvaa puolikaarta;
-
Circles: pieni ympyrä suuremman ympyrän sisällä.
Algoritmi etenee seuraavasti:
-
Luodaan
DBSCAN
-olio ja asetetaaneps
jamin_samples
; -
Sovitetaan malli dataan;
-
Visualisoidaan tulokset piirtämällä datapisteet ja värittämällä ne niiden klusteritunnisteiden mukaan.
Hyperparametrien säätäminen
eps
- ja min_samples
-arvojen valinta vaikuttaa merkittävästi klusteroinnin lopputulokseen. Kokeile eri arvoja löytääksesi parhaiten dataasi sopivat asetukset. Esimerkiksi, jos eps
on liian suuri, kaikki pisteet voivat päätyä yhteen klusteriin. Jos eps
on liian pieni, monet pisteet voidaan luokitella kohinaksi. Voit myös skaalata piirteitä.
Kiitos palautteestasi!