基于分类的DBSCAN聚类在每个簇内形成

Question

我用的是DBSCAN algo。论“皮马印度糖尿病”

对数据进行聚类。另外，我还希望在每个聚类中使用分类算法，比较每个聚类的准确性，并对大多数聚类进行预测。请帮助降低eps的价值，它给出了这个观点。

    import pandas as pd
    from sklearn.preprocessing import LabelEncoder 
    from sklearn.preprocessing import StandardScaler
    from sklearn.cluster import DBSCAN
    import seaborn as sns
    import matplotlib.pyplot as plt 
    data = pd.read_csv('diabetes.csv')
    data = pd.DataFrame(data)
    data = StandardScaler().fit_transform(data)
    clustering = DBSCAN(eps=0.01, min_samples=10).fit(data)
    clusters = len(set(clustering.labels_))
    print("number of clusters : ", clusters)

    def show_clusters(data, clusters):
        df = pd.DataFrame(dict(x=data[:,0], y=data[:,1],            
        label=clusters))
        colors = {-1:'black', 0:'blue', 1:'skyblue', 2:'orange', 
        3:'yellow', 4:'pink', 5:'red'}
        fig, ax = plt.subplots(figsize=(6,6))
        grouped = df.groupby('label')

for key, group in grouped:
    group.plot(ax=ax, kind='scatter', x='x', y='y', label=key, 
    color=colors[key])

plt.xlabel('x')
plt.ylabel('y')
plt.show()

Show_clusters(数据、集群)

糖尿病数据集链接

Answer 1

需要作出两项修改：

1. EPS需要提高，这样您就可以有更大的距离来覆盖更多。

如上图所示，EPS不能太低或太高。

1. 在单个grpah中绘制所有集群，以便进行更好的比较。在data = pd.DataFrame( data ) data= StandardScaler().fit_transform(data)群集= DBSCAN(eps=1，min_samples=10).fit(data) print(“群集数："，len(set(clustering.labels_) def show_clusters(数据，集群)下面添加代码: df = pd.DataFrame(dict(x=data*0，y=data*1，label=clusters))ax = plt.subplots(figsize=(12,6)) ax.scatter(df.iloc*0，df.iloc*1，c= df.label) plt.xlabel('x') plt.ylabel('y') plt.show() show_clusters(data，clustering.labels_)