DBSCAN 参数迭代的子图
Posted
技术标签:
【中文标题】DBSCAN 参数迭代的子图【英文标题】:Subplots for DBSCAN parameter iteration 【发布时间】:2019-08-30 22:10:34 【问题描述】:我想使用 Scikit Learn 的 this DBSCAN clustering alogrithm example 进行一些数据探索。我想迭代eps
的不同参数值。因此,我对以下代码进行了不同的修改,即从第二个 for 循环中取出最后一个图,格式化为右下角。:
print(__doc__)
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import StandardScaler
eps = [0.1, 0.2, 0.3, 0.4]
plt.figure(figsize=(15,8))
for i in eps:
# #############################################################################
# Generate sample data
centers = [[1, 1], [-1, -1], [1, -1]]
X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4,
random_state=0)
X = StandardScaler().fit_transform(X)
# #############################################################################
# Compute DBSCAN
db = DBSCAN(eps=i, min_samples=10).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_
# Number of clusters in labels, ignoring noise if present.
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
n_noise_ = list(labels).count(-1)
print('Estimated number of clusters: %d' % n_clusters_)
print('Estimated number of noise points: %d' % n_noise_)
print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
print("Adjusted Rand Index: %0.3f"
% metrics.adjusted_rand_score(labels_true, labels))
print("Adjusted Mutual Information: %0.3f"
% metrics.adjusted_mutual_info_score(labels_true, labels))
print("Silhouette Coefficient: %0.3f"
% metrics.silhouette_score(X, labels))
# #############################################################################
# Plot result
import matplotlib.pyplot as plt
# Black removed and is used for noise instead.
unique_labels = set(labels)
colors = [plt.cm.Spectral(each)
for each in np.linspace(0, 1, len(unique_labels))]
plt.subplot(120 + i*1000 , title=i)
for k, col in zip(unique_labels, colors):
if k == -1:
# Black used for noise.
col = [0, 0, 0, 1]
class_member_mask = (labels == k)
xy = X[class_member_mask & core_samples_mask]
plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
markeredgecolor='k', markersize=14)
xy = X[class_member_mask & ~core_samples_mask]
plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
markeredgecolor='k', markersize=6)
plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()
但是,我希望看到 eps
的不同结果作为彼此相邻的子图。这种格式的种类:
[ ] [ ] [ ] [ ]
附加问题:最后我想迭代 min_samples
以及 10、12 和 15。如果我是对的,这将需要另一个 for 循环?
【问题讨论】:
我希望有人能帮助我,因为我又在为此苦苦挣扎:/ 【参考方案1】:我解决了将plt.subplot(120 + i*1000 , title=i)
的定义更改为
iterator = 0
plt.subplot(220 + iterator, title=i)
iterator += 1
解释一定是因为i
正在迭代一个浮点数组。乘以 1000 可能不会得到完美的 1、2、3、4,但会得到接近的结果,但仍保留除零以外的小数。这破坏了子图迭代的逻辑。
基本上很简单的编辑,但我昨晚很努力。
【讨论】:
以上是关于DBSCAN 参数迭代的子图的主要内容,如果未能解决你的问题,请参考以下文章
flink 实现ConnectedComponents 连通分量,增量迭代算法(Delta Iteration)实现详解