机器学习 之 DBSCAN算法 及实现

1.K-means 与 DBSCAN 的比较

K-means 和 DBSCAN 都是聚类算法,但它们之间有显著的区别:

  • K-means

    • 基于中心点的方法,要求用户提前指定簇的数量。
    • 适用于球形簇,且簇大小相近。
    • 无法处理噪声数据和任意形状的簇。
  • DBSCAN

    • 基于密度的方法,无需提前指定簇的数量。
    • 可以发现任意形状的簇,并能识别噪声点。
    • 适合处理含有噪声的数据集和不规则形状的簇。

以下图中的数据为例,相比K-means,DBSCAN更适合作为数据的聚类算法。

2.DBSCAN 算法原理

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 是一种基于密度的聚类算法,其核心概念是通过密度来定义簇。DBSCAN 定义了一个点为核心点(Core Point),如果这个点周围半径 eps 内至少有 min_samples 个邻近点。如果一个点周围没有足够的邻近点,则被视为边界点(Border Point)。此外,任何不属于核心点或边界点的点都被视为噪声点。

3.实验代码详解

实验数据

data.txt 文件包含了多种啤酒的相关信息,具体来说,每一行代表了一种啤酒,并记录了四个属性:

  1. 名称 (name): 啤酒的品牌名称。
  2. 卡路里 (calories): 每份啤酒的卡路里含量。
  3. 钠含量 (sodium): 每份啤酒的钠含量。
  4. 酒精度 (alcohol): 啤酒的酒精百分比。
  5. 成本 (cost): 啤酒的成本或价格。

导入库和数据

import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn import metrics# 读取文件
beer = pd.read_table("data.txt", sep=' ', encoding='utf8', engine='python')# 传入变量(列名)
X = beer[["calories", "sodium", "alcohol", "cost"]]

DBSCAN 聚类分析

db = DBSCAN(eps=20, min_samples=2).fit(X)
labels = db.labels_
解释:
  • 我们使用 DBSCAN 类进行聚类分析。
  • eps 参数定义了邻域的半径,即每个核心点周围必须有足够多的点才能成为核心点。
  • min_samples 参数定义了核心点周围必须有的最少邻近点数。
  • labels 是 DBSCAN 分配给每个样本的簇标签。标记 -1 表示该点被认为是噪声点。

添加结果至原始数据框

beer['cluster_db'] = labels
beer.sort_values('cluster_db')
解释:
  • 将 DBSCAN 的聚类结果添加到原始数据框 beer 中的新列 cluster_db
  • 使用 sort_values 方法按簇标签排序,这一步虽然不会改变数据框的内容(因为默认情况下它返回排序后的副本),但可以方便查看输出。

对聚类结果进行评分

score = metrics.silhouette_score(X, beer.cluster_db)
print(score)
解释:
  • 使用 metrics.silhouette_score 计算轮廓系数得分,该得分越高表示簇内的数据点越相似,簇间差异越大。
  • 输出得分以评估聚类的效果。

4.总结

通过上述步骤,我们完成了 DBSCAN 聚类分析的过程。与 K-means 相比,DBSCAN 具有以下优势:

  • 灵活性:DBSCAN 不需要预先知道簇的数量。
  • 噪声处理:DBSCAN 能够有效地识别和排除噪声点。
  • 任意形状簇:DBSCAN 能够发现任意形状的簇。

在本实验中,我们不仅实现了 DBSCAN 算法,还通过轮廓系数得分来评估聚类结果的质量。DBSCAN 的这些特性使其在处理复杂数据集时特别有用,尤其是在需要识别噪声和发现不规则簇形状的情况下。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/411221.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SQLi-LABS靶场36-40通过攻略

less-36 这一关是转义函数换成了mysql_real_escape_string,绕过方法与35关一致 1.判断注入点 2.判断闭合方式 id1A0 -- 3.查看页面回显点 ?id-1%A0%27%20%20union%20select%201,2,3-- 4.查询数据库名 ?id-1%A0%27%20%20union%20select%201,database(),3-- 5.查询数据库的…

音视频封装格式之FLV

FLV(Flash Video)是一种常见的视频文件格式,FLV 格式最初是由 Adobe 公司开发的,旨在为网络视频提供一种高效、可扩展且易于流式传输的解决方案。随着在线视频的迅速发展,FLV 因其良好的兼容性和流式传输性能&#xff…

喜羊羊做Python二级(模拟考试--易错点)

今天距离Python二级考试,还有28天左右。坚持每天做几套试卷,保持记忆和手感。 个人在做题的过程中是先不断练习选择题。当你选择题不达标的时候,系统不会看大题(大概是觉得选择题都做的那么差,大题也不会那么好&#…

mac 虚拟机PD19运行E-prime实验遇到E-prime unable to set display mode:0*80004001问题解决

作者:50% unable to set display mode问题 总结: 1. 修改该Experiment的Devices中的Dispaly为640*680,Color Bit Depth设置为32。(这个分辨率仅限于学习用,实际实验应该还是在真机上) 2. 右键开始菜单中的E…

hadoop生态圈(四)- MapReduce

目录 MapReduce的基本原理 MapReduce流程图 Map阶段执行流程 Reduce阶段执行流程 Shuffle机制 MapReduce解决的是海量数据计算 MapReduce的思想核心是“分而治之”。就是把一个复杂的问题按一定的“分解”方法分为规模较小的若干部分,然后逐个解决,…

Meta AI动画生成功能的规模化部署与优化策略

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗?订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同,从行业内部的深度分析和实用指南中受益。不要错过这个机会,成为AI领…

数据可视化大屏模板-美化图表

Axure作为一款强大的原型设计软件,不仅擅长构建交互式界面,更在数据可视化方面展现出了非凡的创意与实用性。今天,就让我们一起探索Axure设计的几款精美数据可视化大屏模板,感受数据之美。 立体图表的视觉冲击力 Axure的数据可视…

基于ROM的VGA显示

前言 在早期计算机和嵌入式系统中,图形显示和用户界面的实现主要依赖于硬件技术。VGA(视频图形阵列)标准在1980年代中期成为主流图形显示技术,其高分辨率和良好的兼容性使其在计算机显示领域中占据了重要地位。VGA标准支持640x480…

如何在Java中使用protobuf

写在前面 本文看下在Java中如何使用protofbuf。 1:介绍 1.1:什么是protobuf 是一种数据格式,同json,xml,等。但是一种二进制数据格式。 1.2:强在哪里?为啥要用? 小&#xff0c…

聚类:k-Means 和 k-Medoid

1. 前言 在《对静态分析缺陷报告进行聚类,以降低维护成本》 提到使用 k-Medoid 通过相似缺陷的聚类,来减少程序员对大量缺陷分析的工作量。 k-Medoid 和传统的 k-Means 聚类算法有什么差别呢? 简单的说,K-Medoid 算法是一种基于…

KRTS网络模块:TCP服务端、客户端实例

KRTS网络模块:TCP服务端、客户端实例 目录 KRTS网络模块:TCP服务端、客户端实例TCP简介KRST服务端简介核心特性界面设计核心代码 KRTS客户端简介核心特性界面设置核心代码 运行实例 Socket模块基于Packet模块,实时提供更高的协议,如RAW-IP、TCP 和 UDP(参…

国科大 矩阵论2023秋季 叶世伟老师 考试试卷

叶老师的考试很难,图源一位胆大的勇者~ 希望能帮助大家!

AD7606芯片驱动-FPGA实现

简介 AD7606是一款16位ADC芯片,可实现8通道并行采集,每通道最大速度可达1M,可实现多种模式数据采集。 介绍 本次FPGA使用的是8通道串行采样模式,设计中所用到的AD7606引脚说明如下: 名称定义CONVST同步采集转换开始信…

Mysql语句性能优化

SQL查询过程 查询缓存: 执行查询语句的时候,会先查询缓存(MySQL 8.0 版本后移除,因为这个功能不太实用)。分析器: 没有命中缓存的话,SQL 语句就会经过分析器,分析器说白了就是要先看…

算法之二分查找法和双指针

用二分查找法刷leetcode算法题目的时候&#xff0c;经常遇到视频看着理解很透彻&#xff0c;当上手写时一看就会&#xff0c;一写就废。二分查找法涉及边界条件很多&#xff0c;逻辑很简单&#xff0c;就是写不好。何时写 while(left<right)&#xff0c;while(left<right…

通过写文件方式写入 Hive 数据

通过写文件方式写入 Hive 数据 Hive最简单的写入数据方式就是通过Hive Jdbc写入Hive数据&#xff0c;但这并不是写入Hive最高效的方法。 Hive通过读取相关Hdfs的文件来获取数据信息&#xff0c;而通过直接写入Hdfs文件数据达到写入Hive数据的效果&#xff0c;这是目前最高效的…

nerfstudio半离线配置踩坑记录

安装torch2.1.2 with cuda11.8 由于清华镜像源&#xff08;包括阿里源和豆瓣源&#xff09;都没有torch2.1.2cu118的包&#xff0c;因此只能从pytorch官网下载。 服务器上直接通过下面pip的方式安装会由于网络原因中断&#xff0c;无奈只能在本地先把torch的包下载下来再上传到…

SAP与生产制造MPM系统集成案例

一、需求介绍 某公司为保证企业内部生产管理系统的多项基础数据的同步更新&#xff0c;确保各模块间信息的一致性和准确性&#xff0c;对后续的生产计划和物料管理打下基础&#xff0c;该公司将MPM系统和SAP系统经过SAP PO中间件集成平台进行了集成。MPM全称为Manufacturing…

blender--二维平面图标变为三维网格

有时候我们希望把一些二维图片能变成三维网格&#xff0c;本案例我们就针对这一场景进行实现。 首先我们可以先去找一张需要的图片(注意&#xff0c;本例需要图片是svg格式)&#xff0c;我们可以在阿里巴巴矢量图标库等平台进行搜索&#xff0c;如图所示&#xff0c;找到需要的…

diffusion model(扩散模型)DDPM解析

DDPM 前向阶段 重复 2-5 步骤 x 0 ∼ q ( x 0 ) \mathbf{x}_0\sim q(\mathbf{x}_0) x0​∼q(x0​)从数据集中采样一张图片 t ∼ U n i f o r m ( { 1 , … , T } ) t\sim\mathrm{Uniform}(\{1,\ldots,T\}) t∼Uniform({1,…,T})&#xff0c;从 1~T 中随机挑选一个时间步 t ϵ …