"DBSCAN" (機械学習メソッド)

詳細とサブオプション

  • "DBSCAN"（density-based spatial clustering of applications with noise，ノイズのあるアプリケーションの密度準拠空間クラスタリング）は，密度準拠のクラスタリングメソッドである．密度は近傍準拠のアプローチを使って推定される．"DBSCAN"は任意の形や大きさのクラスタに使うことができるが，その場合のクラスタの密度は同じ程度でなければならない．
  • 次のプロットは，"DBSCAN"法をトイデータ集合に適用した結果を示している（黒い点は外れ値を示す）．
  • "DBSCAN"は，半径 ϵ の球の中に k 個以上の近傍を持つ「コア点」（つまり，高密度領域内のデータ点）をデータ点として定義する．次に，互いの距離が ϵ 未満のコア点がクラスタを定義する．コア点からの距離が ϵ 未満の任意の点はそのコア点のクラスタに属す．コア点に近くない任意の点はノイズとみなされる．
  • この結果，各クラスタのコアには1つあるいはそれ以上のコア点が，「エッジ」にはコア点ではない点が含まれることになる．全体として，"DBSCAN"はクラスタを連結された高密度領域として定義する．以下の図では，コア点が赤，エッジ点が黄色，ノイス点が青に彩色されている．
  • ClusteringComponentsおよびClusterClassifyでは，ノイズ点にはMissing["Anomalous"]のラベルが付けられる．
  • FindClustersでは，ノイズ点はクラスタとして返される．
  • 使用する距離は，オプションDistanceFunctionで指定できる．
  • 次は，使用可能なサブオプションである．
  • "NeighborhoodRadius" Automatic半径 ϵ
    "NeighborsNumber" Automatic近傍数 k
    "DropAnomalousValues" False外れ値を削除するかどうか

例題

すべて開くすべて閉じる

例  (3)

"DBSCAN"メソッドを使って近くの値のクラスタを求める：

"DBSCAN"メソッドを使ってClassifierFunctionを色のリストで訓練する：

要素をクラスの数でまとめる：

ランダムな2Dベクトルを作る：

"DBSCAN"メソッドで求まった data 内のクラスタをプロットする：

スコープ  (2)

時刻のランダムなリストを取得する：

"DBSCAN"メソッドでClassifierFunctionを訓練する：

クラスタ割当てを取得し，データをクラスタ化する：

"DBSCAN"メソッドを使ってClassifierFunctionを訓練する：

ノイズ点にはMissing["Anomalous"]のラベルが付けられる：

オプション  (7)

DistanceFunction  (1)

編集距離を使って文字列データをクラスタ化する：

マンハッタン距離を使ってデータをクラスタ化する：

"NeighborhoodRadius"  (2)

"NeighborhoodRadius"サブオプションを指定してクラスタを求める：

やや曖昧な4つのクラスタによって特徴付けられた二次元のデータ点の集合を指定する：

"DBSCAN"メソッドを使って求まった data 内のクラスタをプロットする：

"NeighborhoodRadius"を変え，"DBSCAN"メソッドを使って data の異なるクラスタリングをプロットする：

"NeighborsNumber"  (3)

"NeighborsNumber"サブオプションを指定してクラスタを求める：

ランダムな2Dベクトルを作る：

"DBSCAN"メソッドで求まった data 内のクラスタをプロットする：

"NeighborsNumber"を変えて，"DBSCAN"メソッドを使った data の異なるクラスタリングをプロットする：

やや曖昧な4つのクラスタによって特徴付けられた二次元のデータ点の集合を指定する：

"DBSCAN"メソッドを使って求まった data 内のクラスタをプロットする：

"NeighborsNumber"を変て，"DBSCAN"メソッドを使って data の異なるクラスタリングをプロットする：

"DropAnomalousValues"  (1)

外れ値にMissing["Anomalous"]のラベルを付けるClassifierFunctionを訓練する：

訓練されたClassifierFunctionを使って外れ値を識別する：

外れ値を削除してClassifierFunctionを訓練し，新たなクラスタ割当てを求める：

同様に，外れ値がある値が近いクラスタを求める：

"DropAnomalousValues"サブオプションを使って外れ値を除く：