Найдите кластерную иерархию в данных
[ возвращает упорядоченный кластеру список точек, order,reachdist] = clusterDBSCAN.discoverClusters(X,maxepsilon,minnumpoints)order, и расстояния достижимости, reachdist, для каждой точки в данных X. Задайте максимальный эпсилон, maxepsilon, и минимальное число точек, minnumpoints. Метод реализует Точки Упорядоченного расположения, Чтобы Идентифицировать Кластеризирующуюся Структуру (OPTICS) алгоритм. Алгоритм OPTICS полезен, когда кластеры имеют различную плотность.
clusterDBSCAN.discoverClusters( отображает столбчатый график, представляющий кластерную иерархию.X,maxepsilon,minnumpoints)
Создайте целевые данные со случайными обнаружениями в xy Декартовых координатах. Используйте clusterDBSCAN.discoverClusters возразите функциям, чтобы показать базовую кластерную иерархию.
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 кластерную иерархию.
clusterDBSCAN.discoverClusters(X,maxEpsilon,minNumPoints)
От визуального осмотра графика выберите Epsilon как 2 и затем выполняют кластеризацию с помощью clusterDBSCAN возразите и постройте результирующие кластеры.
clusterer = clusterDBSCAN('MinNumPoints',6,'Epsilon',2, ... 'EnableDisambiguation',false); [idx,cidx] = clusterer(X); plot(clusterer,X,idx)
Выходные параметры clusterDBSCAN.discoverClusters позвольте вам создать график достижимости, из которого может визуализироваться иерархическая структура кластеров. График достижимости содержит упорядоченные точки на x - ось и расстояния достижимости на y - ось. Используйте выходные параметры, чтобы исследовать кластерную структуру по широкому диапазону установок параметров. Можно использовать выход, чтобы помочь оценить соответствующие пороги кластеризации эпсилона для алгоритма DBSCAN. Точки, принадлежащие кластеру, имеют маленькие расстояния достижимости до своего самого близкого соседа, и кластеры появляются как овраги в графике достижимости. Более глубокие овраги соответствуют более плотным кластерам. Определите эпсилон из ординаты нижней части оврагов.
OPTICS принимает, что плотные кластеры полностью содержатся в менее плотных кластерах. OPTICS обрабатывает данные в правильном порядке путем отслеживания окружений плотности точки. Этот процесс выполняется путем упорядоченного расположения точек данных самыми короткими расстояниями достижимости, гарантии, что кластеры с более высокой плотностью идентифицированы сначала.
clusterDBSCAN | clusterDBSCAN.estimateEpsilon | clusterDBSCAN.plot
