Зміст курсу
Cluster Analysis
Cluster Analysis
Perform DBSCAN Clustering
Swipe to show code editor
As we mentioned in the previous chapter, DBSCAN algorithm classifies points as core, border, and noise. As a result, we can use this algorithm to clean our data from outliers. Let's create DBSCAN model, clean data, and look at the results.
Your task is to train DBSCAN model on the circles dataset, detect noise points, and remove them. Look at the visualization and compare data before and after cleaning. You have to:
- Import the
DBSCANclass fromsklearn.clustermodule. - Use DBSCAN class and
.fit()method of this class. - Use
.labels_attribute of DBSCAN class. - Specify
clustering.labels_==-1to detect noise.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Perform DBSCAN Clustering
Swipe to show code editor
As we mentioned in the previous chapter, DBSCAN algorithm classifies points as core, border, and noise. As a result, we can use this algorithm to clean our data from outliers. Let's create DBSCAN model, clean data, and look at the results.
Your task is to train DBSCAN model on the circles dataset, detect noise points, and remove them. Look at the visualization and compare data before and after cleaning. You have to:
- Import the
DBSCANclass fromsklearn.clustermodule. - Use DBSCAN class and
.fit()method of this class. - Use
.labels_attribute of DBSCAN class. - Specify
clustering.labels_==-1to detect noise.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Perform DBSCAN Clustering
Swipe to show code editor
As we mentioned in the previous chapter, DBSCAN algorithm classifies points as core, border, and noise. As a result, we can use this algorithm to clean our data from outliers. Let's create DBSCAN model, clean data, and look at the results.
Your task is to train DBSCAN model on the circles dataset, detect noise points, and remove them. Look at the visualization and compare data before and after cleaning. You have to:
- Import the
DBSCANclass fromsklearn.clustermodule. - Use DBSCAN class and
.fit()method of this class. - Use
.labels_attribute of DBSCAN class. - Specify
clustering.labels_==-1to detect noise.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Swipe to show code editor
As we mentioned in the previous chapter, DBSCAN algorithm classifies points as core, border, and noise. As a result, we can use this algorithm to clean our data from outliers. Let's create DBSCAN model, clean data, and look at the results.
Your task is to train DBSCAN model on the circles dataset, detect noise points, and remove them. Look at the visualization and compare data before and after cleaning. You have to:
- Import the
DBSCANclass fromsklearn.clustermodule. - Use DBSCAN class and
.fit()method of this class. - Use
.labels_attribute of DBSCAN class. - Specify
clustering.labels_==-1to detect noise.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів