时间:2021-05-22
本人在此就不搬运书上关于密度聚类的理论知识了,仅仅实现密度聚类的模板代码和调用skelarn的密度聚类算法。
有人好奇,为什么有sklearn库了还要自己去实现呢?其实,库的代码是比自己写的高效且容易,但自己实现代码会对自己对算法的理解更上一层楼。
结果图:
下面是调用sklearn库的实现
db = skc.DBSCAN(eps=1.5, min_samples=3).fit(dataSet) #DBSCAN聚类方法 还有参数,matric = ""距离计算方法labels = db.labels_ #和X同一个维度,labels对应索引序号的值 为她所在簇的序号。若簇编号为-1,表示为噪声print('每个样本的簇标号:')print(labels)raito = len(labels[labels[:] == -1]) / len(labels) #计算噪声点个数占总数的比例print('噪声比:', format(raito, '.2%'))n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) # 获取分簇的数目print('分簇的数目: %d' % n_clusters_)print("轮廓系数: %0.3f" % metrics.silhouette_score(X, labels)) #轮廓系数评价聚类的好坏for i in range(n_clusters_): print('簇 ', i, '的所有样本:') one_cluster = X[labels == i] print(one_cluster) plt.plot(one_cluster[:,0],one_cluster[:,1],'o')plt.show()到此这篇关于python实现密度聚类(模板代码+sklearn代码)的文章就介绍到这了,更多相关python 密度聚类内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
本文实例讲述了Python聚类算法之DBSACN。分享给大家供大家参考,具体如下:DBSCAN:是一种简单的,基于密度的聚类算法。本次实现中,DBSCAN使用了
本文实例为大家分享了python实现mean-shift聚类算法的具体代码,供大家参考,具体内容如下1、新建MeanShift.py文件importnumpya
线性逻辑回归本文用代码实现怎么利用sklearn来进行线性逻辑回归的计算,下面先来看看用到的数据。这是有两行特征的数据,然后第三行是数据的标签。python代码
本文主要内容:聚类算法的特点聚类算法样本间的属性(包括,有序属性、无序属性)度量标准聚类的常见算法,原型聚类(主要论述K均值聚类),层次聚类、密度聚类K均值聚类
本文实例讲述了python继承和抽象类的实现方法。分享给大家供大家参考。具体实现方法如下:复制代码代码如下:#!/usr/local/bin/python#Fi