Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Implementação em Conjunto de Dados Fictício | DBSCAN
Análise de Clusters

bookImplementação 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:

  1. Instanciar o objeto DBSCAN, definindo eps e min_samples;

  2. Ajustar o modelo aos seus dados;

  3. 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.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 5. Capítulo 4

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 2.94

bookImplementação 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:

  1. Instanciar o objeto DBSCAN, definindo eps e min_samples;

  2. Ajustar o modelo aos seus dados;

  3. 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.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 5. Capítulo 4
some-alt