Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Apprendre Implémentation sur un Jeu de Données Factice | Dbscan
Analyse de Clusters

bookImplémentation sur un Jeu de Données Factice

Vous allez créer deux jeux de données pour démontrer les atouts de DBSCAN :

  • Moons : deux demi-cercles entrelacés ;

  • Circles : un petit cercle à l'intérieur d'un cercle plus grand.

L'algorithme est le suivant :

  1. Instanciation de l'objet DBSCAN, en définissant eps et min_samples ;

  2. Ajustement du modèle sur vos données ;

  3. Visualisation des résultats en traçant les points de données et en les coloriant selon leurs étiquettes de cluster attribuées.

Réglage des hyperparamètres

Le choix de eps et min_samples influence fortement le résultat du clustering. Expérimentez différentes valeurs pour trouver ce qui convient le mieux à vos données. Par exemple, si eps est trop grand, tous les points pourraient se retrouver dans un seul cluster. Si eps est trop petit, de nombreux points pourraient être classés comme bruit. Il est également possible de mettre à l'échelle les variables.

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 5. Chapitre 4

Demandez à l'IA

expand

Demandez à l'IA

ChatGPT

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Awesome!

Completion rate improved to 2.94

bookImplémentation sur un Jeu de Données Factice

Glissez pour afficher le menu

Vous allez créer deux jeux de données pour démontrer les atouts de DBSCAN :

  • Moons : deux demi-cercles entrelacés ;

  • Circles : un petit cercle à l'intérieur d'un cercle plus grand.

L'algorithme est le suivant :

  1. Instanciation de l'objet DBSCAN, en définissant eps et min_samples ;

  2. Ajustement du modèle sur vos données ;

  3. Visualisation des résultats en traçant les points de données et en les coloriant selon leurs étiquettes de cluster attribuées.

Réglage des hyperparamètres

Le choix de eps et min_samples influence fortement le résultat du clustering. Expérimentez différentes valeurs pour trouver ce qui convient le mieux à vos données. Par exemple, si eps est trop grand, tous les points pourraient se retrouver dans un seul cluster. Si eps est trop petit, de nombreux points pourraient être classés comme bruit. Il est également possible de mettre à l'échelle les variables.

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 5. Chapitre 4
some-alt