我试图理解scikitlearn的DBSCAN实现,但是我遇到了麻烦。这是我的数据样本:
X = [[0,0],[0,1],[1,1],[1,2],[2,2],[5,0],[5,1],[5,2],[8,0],[10,0]]
然后我计算D,如所提供的例子所示
^{pr2}$D
返回一个矩阵,其中包含每个点与所有其他点之间的距离。因此对角线总是0。在
然后DBSI可以运行:
db = DBSCAN(eps=1.1, min_samples=2).fit(D)
eps = 1.1
意味着,如果我很好地理解文档,那么距离小于或等于1.1的点将被视为集群(核心)。在
D[1]
返回以下内容:
>>> D[1]
array([ 1. , 0. , 1. , 1.41421356,
2.23606798, 5.09901951, 5. , 5.09901951,
8.06225775, 10.04987562])
这意味着第二个点与第一个和第三个点的距离为1。所以我希望他们建立一个集群,但是。。。在
>>> db.core_sample_indices_
[]
也就是说没有找到核心,对吧?这是另外两个输出。在
>>> db.components_
array([], shape=(0, 10), dtype=float64)
>>> db.labels_
array([-1., -1., -1., -1., -1., -1., -1., -1., -1., -1.])
为什么会有集群?在
我认为实现可能只是假设距离矩阵是数据本身。在
请看:通常您不会为DBSCAN计算完整的距离矩阵,而是使用数据索引来更快地搜索邻居。在
从1分钟的谷歌上判断,考虑添加
metric="precomputed"
,因为:相关问题 更多 >
编程相关推荐