Поиск иерархии кластеров в данных
[ возвращает упорядоченный по кластерам список точек, order,reachdist] = clusterDBSCAN.discoverClusters(X,maxepsilon,minnumpoints)order, и расстояния достижимости, reachdist, для каждой точки в данных X. Задайте максимальный эпсилон, maxepsilonи минимальное число точек, minnumpoints. Метод реализует упорядоченное расположение Points To Identify the Clustering Structure (OPTICS). Алгоритм OPTICS полезен, когда кластеры имеют различную плотность.
clusterDBSCAN.discoverClusters( отображает штриховой график, представляющий иерархию кластера.X,maxepsilon,minnumpoints)
Создайте целевые данные со случайными обнаружениями в xy Декартовых координатах. Используйте clusterDBSCAN.discoverClusters функции объекта, чтобы раскрыть базовую иерархию кластера.
Во-первых, установите clusterDBSCAN.discoverClusters параметры.
maxEpsilon = 10; minNumPoints = 6;
Создайте случайные целевые данные.
X = [randn(20,2) + [11.5,11.5]; randn(20,2) + [25,15]; randn(20,2) + [8,20]; 10*rand(10,2) + [20,20]]; plot(X(:,1),X(:,2),'.') axis equal grid
Постройте график иерархии кластеров.
clusterDBSCAN.discoverClusters(X,maxEpsilon,minNumPoints)
При визуальном осмотре графика выберите Epsilon как 2, а затем выполните кластеризацию с помощью clusterDBSCAN объект и график результирующих кластеров.
clusterer = clusterDBSCAN('MinNumPoints',6,'Epsilon',2, ... 'EnableDisambiguation',false); [idx,cidx] = clusterer(X); plot(clusterer,X,idx)
Выходные выходы clusterDBSCAN.discoverClusters позволяет вам создать график достижимости, из которого можно визуализировать иерархическую структуру кластеров. График достижимости содержит упорядоченные точки на оси x и расстояния достижимости на оси y. Используйте выходы, чтобы изучить структуру кластера в широкой области значений настроек параметра. Можно использовать выход, чтобы помочь оценить соответствующие пороги эпсилоновой кластеризации для алгоритма DBSCAN. Точки, принадлежащие кластеру, имеют небольшие расстояния до ближайшего соседа, и кластеры появляются как оврагов на графике достижимости. Более глубокие овраги соответствуют более плотным кластерам. Определить эпсилон по ординате дна оврагов.
OPTICS предполагает, что плотные кластеры полностью содержатся в менее плотных кластерах. OPTICS обрабатывает данные в правильном порядке путем отслеживания районов плотности точек. Этот процесс выполняется путем упорядочивания точек данных по кратчайшим расстояниям достижимости, гарантируя, что кластеры с более высокой плотностью идентифицируются первыми.
clusterDBSCAN | clusterDBSCAN.estimateEpsilon | clusterDBSCAN.plot
