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

的问题
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

通过循环和函数填充 matplotlib 子图

matplotlib通过单个列表迭代子图轴数组

DBSCAN密度聚类算法(理论+图解+python代码)

给定单个参数的子图的行为是啥? [复制]

flink 实现ConnectedComponents 连通分量,增量迭代算法(Delta Iteration)实现详解

Matplotlib 不同大小的子图