Implementering på Dummy-Dataset
Du kommer att skapa två dataset för att demonstrera DBSCAN:s styrkor:
-
Moons: två sammanflätade halvcirklar;
-
Circles: en liten cirkel inuti en större cirkel.
Algoritmen är följande:
-
Du instansierar
DBSCAN
-objektet och angereps
ochmin_samples
; -
Du anpassar modellen till dina data;
-
Du visualiserar resultaten genom att plotta datapunkterna och färglägga dem enligt deras tilldelade klusteretiketter.
Justering av hyperparametrar
Valet av eps
och min_samples
påverkar klustringsresultatet avsevärt. Experimentera med olika värden för att hitta det som fungerar bäst för dina data. Om till exempel eps
är för stort kan alla punkter hamna i ett enda kluster. Om eps
är för litet kan många punkter klassificeras som brus. Du kan även skala funktionerna.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 2.94
Implementering på Dummy-Dataset
Svep för att visa menyn
Du kommer att skapa två dataset för att demonstrera DBSCAN:s styrkor:
-
Moons: två sammanflätade halvcirklar;
-
Circles: en liten cirkel inuti en större cirkel.
Algoritmen är följande:
-
Du instansierar
DBSCAN
-objektet och angereps
ochmin_samples
; -
Du anpassar modellen till dina data;
-
Du visualiserar resultaten genom att plotta datapunkterna och färglägga dem enligt deras tilldelade klusteretiketter.
Justering av hyperparametrar
Valet av eps
och min_samples
påverkar klustringsresultatet avsevärt. Experimentera med olika värden för att hitta det som fungerar bäst för dina data. Om till exempel eps
är för stort kan alla punkter hamna i ett enda kluster. Om eps
är för litet kan många punkter klassificeras som brus. Du kan även skala funktionerna.
Tack för dina kommentarer!