带有自定义指标的 DBSCAN
Posted
技术标签:
【中文标题】带有自定义指标的 DBSCAN【英文标题】:DBSCAN with custom metric 【发布时间】:2018-07-23 21:23:49 【问题描述】:我有以下信息:
数千个数据集
一种计算相似度的方法,但数据点本身我无法在欧几里得空间中绘制它们
我知道 DBSCAN 应该支持自定义距离度量,但我不知道如何使用它。
说我有一个功能
def similarity(x,y):
return similarity ...
我有一个可以成对传递给该函数的数据列表,在使用 scikit-learn 的 DBSCAN 实现时如何指定它?
理想情况下,我想做的是获取集群列表,但我不知道如何开始。
还有很多术语让我感到困惑:
http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html
我如何传递一个特征数组,它是什么?我如何使这个实现适合我的需要?我将如何从该算法中获取我的“子列表”?
【问题讨论】:
【参考方案1】:“特征数组”只是数据集中数据点的特征数组。
metric
是您要查找的参数。它可以是字符串(内置指标的名称)或callable。您的 similarity
函数是可调用的。这在文档中没有得到很好的描述,但是一个指标必须做到这一点,将两个数据点作为参数,并返回一个数字。
def similarity(x, y):
return ...
reduced_dataset = sklearn.cluster.DBSCAN(metric=similarity).fit(dataset)
【讨论】:
感谢您可以理解的答案,还有一个问题,算法会返回什么?我是否必须再次遍历整个数组以获得每个项目的标签,或者这是如何工作的? DBSCAN 返回一个 2 x y numpy 矩阵(对于 x x y numpy 矩阵数据集)。如果您的数据集将标签作为第一列,您将首先提取这些标签。查看 pandas 数据框 - 您可以轻松使用它们将数据集拆分为标签和原始数字/数据点。【参考方案2】:如果有人使用自定义指标搜索相同的字符串
def metric(x, y):
return yourDistFunc(string_seqs[int(x[0])],string_seqs[int(y[0])])
def clusterPockets():
global string_seqs
string_seqs = load_data() #["foo","bar"...]
dat = np.arange(len(string_seqs)).reshape(-1, 1)
clustered_dataset = DBSCAN(metric=metric)).fit(X=dat, y=dat)
【讨论】:
以上是关于带有自定义指标的 DBSCAN的主要内容,如果未能解决你的问题,请参考以下文章
sklearn 使用带有自定义指标的 RandomizedSearchCV 并捕获异常
CloudWatch 自定义 EC2 内存指标和带有 AutoScaling 策略的警报