cluster_optics_dbscan#

sklearn.cluster.cluster_optics_dbscan(*, reachability, core_distances, ordering, eps)[Quelle]#

Führt eine DBSCAN-Extraktion für ein beliebiges Epsilon durch.

Das Extrahieren der Cluster dauert linear Zeit. Beachten Sie, dass dies zu labels_ führt, die denen eines DBSCAN mit ähnlichen Einstellungen und eps ähneln, nur wenn eps nahe bei max_eps liegt.

Parameter:
reachabilityndarray von Form (n_samples,)

Von OPTICS berechnete Erreichbarkeitsabstände (reachability_).

core_distancesndarray von Form (n_samples,)

Abstände, bei denen Punkte zu Kernpunkten werden (core_distances_).

orderingndarray von Form (n_samples,)

Von OPTICS geordnete Punktindizes (ordering_).

epsfloat

DBSCAN eps Parameter. Muss kleiner als max_eps gesetzt werden. Die Ergebnisse ähneln dem DBSCAN-Algorithmus, wenn eps und max_eps nahe beieinander liegen.

Gibt zurück:
labels_array von Form (n_samples,)

Die geschätzten Labels.

Beispiele

>>> import numpy as np
>>> from sklearn.cluster import cluster_optics_dbscan, compute_optics_graph
>>> X = np.array([[1, 2], [2, 5], [3, 6],
...               [8, 7], [8, 8], [7, 3]])
>>> ordering, core_distances, reachability, predecessor = compute_optics_graph(
...     X,
...     min_samples=2,
...     max_eps=np.inf,
...     metric="minkowski",
...     p=2,
...     metric_params=None,
...     algorithm="auto",
...     leaf_size=30,
...     n_jobs=None,
... )
>>> eps = 4.5
>>> labels = cluster_optics_dbscan(
...     reachability=reachability,
...     core_distances=core_distances,
...     ordering=ordering,
...     eps=eps,
... )
>>> labels
array([0, 0, 0, 1, 1, 1])