DBSCAN_multiplex 1.5

概述

dbscan（density-based）的快速内存高效实现 具有噪声的应用程序的空间聚类）。

它特别适用于多轮下采样和 来自联合数据集的集群：在初始开销o（n log（n））之后， 每个后续的聚类运行将具有O（n）时间复杂度。

如当前模块的docstring中嵌入的doctest所示， 在15000个样本和47个功能的数据集上，在华硕Zenbook笔记本电脑上 8 GiB内存和Intel Core M处理器， dbscan_多重处理50轮次采样和聚类 大约4分钟，而scikit learn实现了dbscan 在超过28分钟内执行相同的任务。

这样的测试可以在您的机器上非常方便地执行：简单地 在终端中输入python DBSCAN_multiplex将提示 开始比较上述两种方法的性能 dbscan的实现。

这7倍的性能提升证明对统计数据至关重要 学习应用程序，促使了该算法的设计。

安装和要求

dbscan_多路复用需要一台运行任何unix成员的计算机 操作系统系列，Python2.7以及以下软件包 以及标准python库中的几个模块：

• numpy>；=1.9
• Pytables
• SCIKIT学习

您可以从正式的python包索引（pypi）安装dbscan_multiplex，如下所示：

• 打开终端窗口；
• 键入pip install DBSCAN_multiplex。

上面列出的命令应自动安装或升级本节开头列出的依赖项中丢失或过期的依赖项。

用法和示例

查看与dbscan_multiplex的每个函数相关联的docstrings 模块获取更多信息；在python解释器控制台中，它们可以 通过调用内置帮助系统查看，例如， help(DBSCAN_multiplex.load)。

以下几行显示了dbscan_多路复用如何用于 从一个共同的高斯分布中随机选取50个子样本 分布式数据集。这种情况出现在共识集群中，其中 人们可能希望获得并组合多个簇向量 标签。

>>> import numpy as np
>>> import DBSCAN_multiplex as DB

>>> data = np.random.randn(15000, 7)
>>> N_iterations = 50
>>> N_sub = 9 * data.shape[0] / 10
>>> subsamples_matrix = np.zeros((N_iterations, N_sub), dtype = int)
>>> for i in xrange(N_iterations):
        subsamples_matrix[i] = np.random.choice(data.shape[0], N_sub, replace = False)
>>> eps, labels_matrix = DB.DBSCAN(data, minPts = 3, subsamples_matrix = subsamples_matrix, verbose = True)

参考文献

• Ester，M.，Kriegel，H.-P.，Sander，J.和Xu，X.（1996），“基于密度的 一种在有噪声的大型空间数据库中发现簇的算法。 第二届知识发现国际会议纪要 和数据挖掘（kdd-96）。aaai出版社。第226-231页。
• Kriegel，H.-P.，Kroeger，P.，Sander，J.和Zimek，A.（2011）“基于密度 集群”。连线数据挖掘和知识发现1（3）：231-240。