clusterDBSCAN.estimateEpsilon

Оцените порог кластеризации окружения

Описание

пример

epsilon = clusterDBSCAN.estimateEpsilon(X,MinNumPoints,MaxNumPoints) возвращает оценку порога кластеризации окружения, epsilon, используемый в основанной на плотности пространственной кластеризации приложений с шумом (DBSCAN) алгоритм. epsilon вычисляется из входных данных X использование k - ближайших соседей (k-NN) поиск. MinNumPoints и MaxNumPoints установите область значений k-значений, для которых вычисляется эпсилон. Область значений расширяет от MinNumPoints – 1 через MaxNumPoints – 1. k является количеством соседей точки, которая является той меньше, чем число точек в окружении.

clusterDBSCAN.estimateEpsilon(X,MinNumPoints,MaxNumPoints) отображает фигуру, показывающую кривые поиска k-NN и предполагаемый эпсилон.

Примеры

свернуть все

Создайте симулированные целевые данные и используйте clusterDBSCAN.estimateEpsilon функция, чтобы вычислить соответствующий порог эпсилона.

Создайте целевые данные как xy Декартовы координаты.

X = [randn(20,2) + [11.5,11.5]; randn(20,2) + [25,15]; ...
    randn(20,2) + [8,20]; 10*rand(10,2) + [20,20]];

Установите область значений значений для поиска k-NN.

minNumPoints = 15;
maxNumPoints = 20;

Оцените кластеризирующийся пороговый эпсилон и отобразите его значение на графике.

clusterDBSCAN.estimateEpsilon(X,minNumPoints,maxNumPoints)

Figure Estimated Epsilon contains an axes. The axes with title Estimated Epsilon contains 20 objects of type line, text. These objects represent Estimated Epsilon, Time-Averaged Epsilon.

Используйте предполагаемое значение Эпсилона, 3.62, в clusterDBSCAN clusterer. Затем постройте кластеры.

clusterer = clusterDBSCAN('MinNumPoints',6,'Epsilon',3.62, ...
    'EnableDisambiguation',false);
[idx,cidx] = clusterer(X);
plot(clusterer,X,idx)

Figure Clusters contains an axes. The axes with title Clusters contains 5 objects of type line, scatter, text.

Входные параметры

свернуть все

Введите данные о функции в виде N с действительным знаком-by-P матрица. Строки N соответствуют характерным точкам в P - размерное пространство признаков. Столбцы P содержат значения функций, по которым происходит кластеризация. Алгоритм DBSCAN может кластеризировать любой тип данных с соответствующим MinNumPoints и Epsilon настройки. Например, вход 2D столбца может содержать Декартовы координаты xy или расположиться и Доплер.

Типы данных: double

Начальное значение-NN k ищет область значений в виде положительного целого числа. MinNumPoints используется, чтобы задать начальное значение k в области значений поиска-NN k. Начальное значение k является тем меньше, чем MinNumPoints.

Пример: 10

Типы данных: double

Значение конца k-NN ищет область значений в виде положительного целого числа. MaxNumPoints используется, чтобы задать конечное значение k в области значений поиска-NN k. Конечное значение k является тем меньше, чем MaxNumPoints.

Выходные аргументы

свернуть все

Предполагаемый эпсилон, возвращенный как положительная скалярная величина.

Алгоритмы

свернуть все

Оцените эпсилон

Кластеризация DBSCAN требует значения для параметра размера окружения ε. clusterDBSCAN возразите и clusterDBSCAN.estimateEpsilon функционируйте используют k - само-соседний поиск, чтобы оценить скалярный эпсилон. Позвольте D быть расстоянием любой точки P к ее k th самый близкий сосед. Задайте Dk (P) - окружение как окружение, окружающее P, который содержит его k - ближайших соседей. Существует k + 1 точка в Dk (P) - окружение включая саму точку P. Схема алгоритма оценки:

  • Для каждой точки найдите все точки в ее Dk (P) - окружение

  • Накопите расстояния во всем Dk (P) - окружения для всех точек в один вектор.

  • Сортировка вектора путем увеличения расстояния.

  • Постройте отсортированный k-dist график, который является отсортированным расстоянием против номера точки.

  • Найдите колено кривой. Значение расстояния в той точке является оценкой эпсилона.

Рисунок здесь показывает расстояние, построенное против индекса точки для k = 20. Колено происходит приблизительно в 1,5. Любые точки ниже этого порога принадлежат кластеру. Любые точки выше этого значения являются шумом.

Существует несколько методов, чтобы найти колено кривой. clusterDBSCAN и clusterDBSCAN.estimateEpsilon сначала задайте линию, соединяющую первые и последние точки кривой. Ордината точки на отсортированном k-dist график дальше всего от линии и перпендикуляра к линии задает эпсилон.

Когда вы указываете диапазон значений k, алгоритм составляет в среднем оценочные значения эпсилона для всех кривых. Этот рисунок показывает, что эпсилон довольно нечувствителен к k для k в пределах от 14 - 19.

Чтобы создать один k график расстояния-NN, установите MinNumPoints свойство, равное MaxNumPoints свойство.

Выбор минимального и максимального количества точек

Цель MinNumPoints должен сглаживать оценки плотности. Поскольку кластер является максимальным набором соединенных с плотностью точек, выберите меньшие значения, когда ожидаемое количество обнаружений в кластере неизвестно. Однако меньшие значения делают алгоритм DBSCAN более восприимчивым к шуму. Общее руководство для выбора MinNumPoints :

  • Обычно установите MinNumPoints = 2P, где P является количеством размерностей признаков в X.

  • Для наборов данных, которые имеют один или несколько следующих свойств:

    • много шумовых точек

    • большое количество точек, N

    • большая размерность, P

    • много копий

    увеличение MinNumPoints может часто улучшать кластеризирующиеся результаты.

Расширенные возможности

Введенный в R2021a
Для просмотра документации необходимо авторизоваться на сайте