Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Apprendre Effectuer un Clustering DBSCAN | Algorithmes de Regroupement de Base
Analyse de Cluster

Glissez pour afficher le menu

book
Effectuer un Clustering DBSCAN

Tâche

Swipe to start coding

Comme nous l'avons mentionné dans le chapitre précédent, l'algorithme DBSCAN classe les points comme noyau, frontière et bruit. En conséquence, nous pouvons utiliser cet algorithme pour nettoyer nos données des valeurs aberrantes. Créons un modèle DBSCAN, nettoyons les données et regardons les résultats.

Votre tâche est d'entraîner le modèle DBSCAN sur le jeu de données de cercles, de détecter les points de bruit et de les supprimer. Regardez la visualisation et comparez les données avant et après le nettoyage. Vous devez :

  1. Importer la classe DBSCAN du module sklearn.cluster.
  2. Utiliser la classe DBSCAN et la méthode .fit() de cette classe.
  3. Utiliser l'attribut .labels_ de la classe DBSCAN.
  4. Spécifier clustering.labels_==-1 pour détecter le bruit.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 7

Demandez à l'IA

expand
ChatGPT

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

book
Effectuer un Clustering DBSCAN

Tâche

Swipe to start coding

Comme nous l'avons mentionné dans le chapitre précédent, l'algorithme DBSCAN classe les points comme noyau, frontière et bruit. En conséquence, nous pouvons utiliser cet algorithme pour nettoyer nos données des valeurs aberrantes. Créons un modèle DBSCAN, nettoyons les données et regardons les résultats.

Votre tâche est d'entraîner le modèle DBSCAN sur le jeu de données de cercles, de détecter les points de bruit et de les supprimer. Regardez la visualisation et comparez les données avant et après le nettoyage. Vous devez :

  1. Importer la classe DBSCAN du module sklearn.cluster.
  2. Utiliser la classe DBSCAN et la méthode .fit() de cette classe.
  3. Utiliser l'attribut .labels_ de la classe DBSCAN.
  4. Spécifier clustering.labels_==-1 pour détecter le bruit.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 7
Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Nous sommes désolés de vous informer que quelque chose s'est mal passé. Qu'est-il arrivé ?
some-alt