Оценка порога кластеризации по соседству
epsilon = clusterDBSCAN.estimateEpsilon(X,MinNumPoints,MaxNumPoints)epsilon, используемый в основанной на плотности пространственной кластеризации приложений с алгоритмом шума (DBSCAN). epsilon вычисляется из входных данных X использование поиска по k-ближайших соседей (k -NN). MinNumPoints и MaxNumPoints установите область значений k-значений, для которых вычисляется эпсилон. Эта область значений простирается от MinNumPoints - с 1 по MaxNumPoints – 1. k - количество соседей точки, что на один меньше, чем число точек в районе.
clusterDBSCAN.estimateEpsilon( отображает рисунок, показывающий кривые k-NN поиска и предполагаемый эпсилон.X,MinNumPoints,MaxNumPoints)
Создайте моделируемые целевые данные и используйте clusterDBSCAN.estimateEpsilon функция для вычисления соответствующего порога 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 порог кластеризации epsilon и отобразите его значение на графике.
clusterDBSCAN.estimateEpsilon(X,minNumPoints,maxNumPoints)
Используйте предполагаемое значение Эпсилона, 3,62, в clusterDBSCAN кластер. Затем постройте график кластеров.
clusterer = clusterDBSCAN('MinNumPoints',6,'Epsilon',3.62, ... 'EnableDisambiguation',false); [idx,cidx] = clusterer(X); plot(clusterer,X,idx)
Кластеризация DBSCAN требует значения для параметра neighborhood size The clusterDBSCAN объект и clusterDBSCAN.estimateEpsilon функция использует k - ближайший соседний поиск, чтобы оценить скалярный эпсилон. Предположим, что D - расстояние между любой точкой P и ее kth ближайшего соседа. Задайте Dk (P) -светность как окрестность, окружающую P, которая содержит ее k-ближайшие соседи. В k (Dk) -светности P + 1 пункт, включая саму точку P. Контур алгоритма оценки следующий:
Для каждой точки найдите все точки в ее Dk (P) -неисходимости
Накопьте расстояния во всех Dk (P) -светах для всех точек в один вектор.
Отсортируйте вектор путем увеличения расстояния.
Постройте график отсортированного k -dist, который является отсортированным расстоянием от числа точек.
Найдите колено кривой. Значение расстояния в этой точке является оценкой эпсилона.
Рисунок здесь показывает расстояние, нанесенное на график на индекс точки для k = 20. Колено происходит приблизительно в 1,5. Любые точки ниже этого порога относятся к кластеру. Любые точки выше этого значения являются шумом.
Существует несколько методов найти колено кривой. clusterDBSCAN и clusterDBSCAN.estimateEpsilon сначала задайте линию, соединяющую первую и последнюю точки кривой. Ордината точки на отсортированном k -dist графику, наиболее удалённая от линии и перпендикулярная линии, задает эпсилон.
Когда вы задаете область значений k значений, алгоритм рассчитывает средние значения эпсилона для всех кривых. Этот рисунок показывает, что эпсилон довольно нечувствителен к k для k в диапазоне от 14 до 19.
Чтобы создать один k -NN графиков расстояния, установите MinNumPoints свойство, равное MaxNumPoints свойство.