dbscan

    4熱度

    3回答

    我想在半監督(受限)聚類上運行一些實驗,特別是以實例級別成對約束(必須鏈接或無法鏈接約束)提供的背景知識。我想知道是否有任何實現半監督聚類的開源軟件包?我試圖看看PyBrain,mlpy,scikit和orange,並且我找不到任何受約束的聚類算法。特別是,我對約束K-Means或基於約束密度的聚類算法(如C-DBSCAN)感興趣。 Matlab,Python,Java或C++中的軟件包將是首選,

    1熱度

    2回答

    其實我不知道map()應該是什麼關鍵和值,輸入格式和輸出格式應該是什麼。如果我通過map()一次讀取一個點,那麼如何使用一個點來計算鄰居,因爲剩餘的點還沒有被讀取。

    4熱度

    1回答

    我有一個包含1000維的數據集,我試圖用Python中的DBSCAN對數據進行聚類。我很難理解要選擇的度量標準以及原因。 有人可以解釋這一點嗎?我應該如何決定將eps設置爲什麼值? 我感興趣的數據的細微結構,因此min_value設置爲2。現在我用的是常規的度量是預設在sklearn DBSCAN,但對於小的EPS值,如eps < 0.07,我得到一些集羣,但錯過了許多點和更大的價值,我得到幾個小

    0熱度

    1回答

    DBSCAN(D, eps, MinPts) C = 0 for each unvisited point P in dataset D mark P as visited NeighborPts = regionQuery(P, eps) if sizeof(NeighborPts) < MinPts mark P as NOI

    0熱度

    1回答

    我想實現某種DBSCAN算法的改進,用戶不需要輸入輸入參數(minPts和Eps)。我的想法是使用K距離圖,但計算這個圖的'膝部'的最佳方法是什麼?如何計算劇情中有兩個或更多膝蓋的情況? 哪裏可以找到一些DBSCAN改進的源代碼,如AUTODBSCAN,VDBSCAN,PDBSCAN或DBSCAN-DLP?我正在尋找一些基礎知識,但是我找不到任何幫助。也許你在某處看過示例源代碼?

    0熱度

    1回答

    我正在處理具有2個座標的數據集。目前我正在計算密度,首先計算每個點到其他點的總距離,然後除以總點數。我想知道這是計算密度的正確方法,因爲我沒有得到期望的結果。 這是羣集文件https://dl.dropboxusercontent.com/u/45772222/samp.txt 這個集羣應該有3個集羣 - > 2橢圓形,一個管連接他們 任何想法我怎麼能分開呢?

    3熱度

    1回答

    我已經開始使用ELKI進行數據分析,但是看起來很簡單的事情我似乎無法做到,那就是在運行DBSCAN後將計算出的羣集凸包輸出到文件中。我能夠通過可視化GUI顯現凸殼,但我無法生成KML文件。我也能夠將我的集羣結果寫入文件夾(使用ResultWriter resulthandler),但是當我設置KMLOutputHandler時,沒有生成文件。在日誌窗口中我沒有收到錯誤消息(即使將詳細參數設置爲tr

    2熱度

    1回答

    在每個集羣值我已經成功地運行了DBSCAN算法(這裏是精簡指令): results <- dbscan(data,MinPts=15, eps=0.01) ,並繪製我的集羣: plot(results, data) results$cluster返回一個列表數值。每個指數的值反映到該指數的原始數據所屬的集羣: [1] 0 1 2 1 0 0 2 1 0 0 0 1 2 0 2 0 2 0

    7熱度

    1回答

    我試圖理解由scikit實現的DBSCAN算法的例子(http://scikit-learn.org/0.13/auto_examples/cluster/plot_dbscan.html)。 我改了行 X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4) 與X = my_own_data,這樣

    2熱度

    1回答

    我試圖通過scikit-learn瞭解DBSCAN實現,但我遇到了麻煩。這是我的數據樣本: X = [[0,0],[0,1],[1,1],[1,2],[2,2],[5,0],[5,1],[5,2],[8,0],[10,0]] 然後我計算d如在提供 D = distance.squareform(distance.pdist(X)) D返回與每個點和所有其他之間的距離的矩陣的例子。對角線因此