Implementação em Conjunto de Dados Fictício
Você criará dois conjuntos de dados para demonstrar os pontos fortes do DBSCAN:
-
Moons: dois semicírculos entrelaçados;
-
Circles: um círculo pequeno dentro de um círculo maior.
O algoritmo segue os seguintes passos:
-
Instanciar o objeto
DBSCAN
, definindoeps
emin_samples
; -
Ajustar o modelo aos seus dados;
-
Visualizar os resultados plotando os pontos de dados e colorindo-os de acordo com seus respectivos rótulos de cluster.
Ajuste de Hiperparâmetros
A escolha de eps
e min_samples
impacta significativamente o resultado da clusterização. Experimente diferentes valores para encontrar o que melhor se adapta aos seus dados. Por exemplo, se eps
for muito grande, todos os pontos podem acabar em um único cluster. Se eps
for muito pequeno, muitos pontos podem ser classificados como ruído. Também é possível escalar as features.
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 2.94
Implementação em Conjunto de Dados Fictício
Deslize para mostrar o menu
Você criará dois conjuntos de dados para demonstrar os pontos fortes do DBSCAN:
-
Moons: dois semicírculos entrelaçados;
-
Circles: um círculo pequeno dentro de um círculo maior.
O algoritmo segue os seguintes passos:
-
Instanciar o objeto
DBSCAN
, definindoeps
emin_samples
; -
Ajustar o modelo aos seus dados;
-
Visualizar os resultados plotando os pontos de dados e colorindo-os de acordo com seus respectivos rótulos de cluster.
Ajuste de Hiperparâmetros
A escolha de eps
e min_samples
impacta significativamente o resultado da clusterização. Experimente diferentes valores para encontrar o que melhor se adapta aos seus dados. Por exemplo, se eps
for muito grande, todos os pontos podem acabar em um único cluster. Se eps
for muito pequeno, muitos pontos podem ser classificados como ruído. Também é possível escalar as features.
Obrigado pelo seu feedback!