機器學習 學習筆記 DBSCAN密度聚類

dbscan密度聚類演算法是一種基於密度的聚類演算法：

dbscan密度聚類演算法將資料點分為三類：

演算法過程：

import numpy as np

from sklearn.cluster import dbscan

import numpy as np

import sklearn.cluster as skc
from sklearn import metrics
import matplotlib.pyplot as plt
mac2id =
dict()
onlinetimes =
f =open
('textdata.txt'
)for line in f:
mac = line.split(
',')[2
]    onlinetime =
int(line.split(
',')[6
])starttime =
int(line.split(
',')[4
].split(
' ')[1
].split(
':')[0
])if mac not
in mac2id:
mac2id[mac]
=len
(onlinetimes)
(starttime, onlinetime)
)else
:        onlinetimes[mac2id[mac]]=
[(starttime, onlinetime)
]real_x = np.array(onlinetimes)
.reshape((-
1,2)
)x = real_x[:,
0:-1
]db = skc.dbscan(eps=
0.01
, min_samples=20)
.fit(x)
labels = db.labels_
print
("labels:"
)print
(labels)
raito =
len(labels[labels[:]
==-1]
)/len(labels)
print
("noise raito:"
,format
(raito,
".2%"))
n_clusters_ =
len(
set(labels))-
(1if-
1in labels else0)
print
('estinated number of clusters: %d'
% n_clusters_)
print
('silhouette coefficient: %0.3f'
% metrics.silhouette_score(x, labels)
)for i in
range
(n_clusters_)
:print
('cluster '
, i,
':')
print
(list
(x[labels == i]
.flatten())
)# 轉化成直方圖形式分析
plt.hist(x,
24)

機器學習之DBSCAN聚類

coding utf 8 created on wed nov 28 18 50 57 2018 author muli import numpy as np from sklearn.datasets.samples generator import make blobs from sklearn...

機器學習 密度聚類演算法 DBSCAN

1.密度聚類 基於密度的聚類演算法由於能夠發現任意形狀的聚類，識別資料集中的雜訊點，可伸縮性好等特點，在許多領域有著重要的應用。密度演算法概念 1 如果乙個資料點周圍足夠稠密，也就是以這個點為中心，給定半徑的鄰域內的資料點足夠多，密度大於密度閾值 使用者指定的引數minpts 則稱這個資料點為核心資...

機器學習 聚類系列 DBSCAN演算法

dbscan演算法 核心物件 若某個點的密度達到演算法設定的閾值則其為核心點。即 r 鄰域內點的數量不小於 minpts 鄰域的距離閾值 設定的半徑r 直接密度可達 若某點p在點q的 r 鄰域內,且q是核心點則p q直接密度可達。密度可達 若有乙個點的序列q0 q1 qk,對任意qi qi 1是直接...