我目前正在開展一個項目，分析 AD 算法和可視化之間的相互作用。我閱讀了大量文獻，并得出結論，為了滿足我的需要，我想結合幾個指標。我能夠實現其中的大部分，但是，缺少這個：假設我有一個 2D 空間，由屬于 2 個類之一的點占據。我想計算每個組的密度。組的標簽是已知的。在查看 stackoverflow 等時，我讀了很多關于 DBSCAN 的內容，但據我了解，DBSCAN 本身用于執行聚類。我已經有了簇，想知道它們的密度。對于已知指標的任何建議或指導，我將不勝感激。如果存在，也請與我分享所需的 python 庫。非常感謝你。這是我的數據的樣子：array([[-3.90611544e+00, -5.47953465e-01], [-5.22999684e+00, 5.56145331e-01], [-4.84611012e+00, 5.54304197e-02], [-4.85019718e+00, -3.19791419e-01], [-4.59453620e+00, 5.70821744e-01], [-6.65068624e+00, -9.97229190e-01], [-6.57787930e+00, -5.03538827e-01], [-4.80275333e+00, -8.42197968e-02], [-4.55720113e+00, 8.23122108e-01], [-4.47469205e+00, -6.77669238e-01], [-5.84095559e+00, -8.19564981e-01], [-4.93963103e+00, -8.66167854e-01], [-4.98336307e+00, -4.45923700e-02], [-4.56953722e+00, -4.27976712e-01], [-6.25553298e+00, 1.32863878e-01], [-6.11860914e+00, -1.09009817e+00], [-5.60347264e+00, 1.34600670e+00], [-4.85974421e+00, -2.03600566e-01], [-4.38049846e+00, 1.27302889e+00], .......像這樣的情節： 還不能包含圖片，請參見鏈接我現在想分別獲得紅色和綠色簇的密度值。非常感謝您！
1 回答
達令說
TA貢獻1821條經驗 獲得超6個贊
更新：更正了我的代碼。另請注意，此算法的復雜度為 O(n^2)：對于 10240 個點，在快速機器上運行幾乎需要 1 分鐘。
更新 2：返回倒數：count/total_distance
更新 3：如果，正如您上面提到的，密度可視化是一個目標，我認為您提供的示例圖本身就是對觀察者的密度的良好視覺表示。
更新 4：根據下面的評論，我消除了重復計算，現在算法的復雜度為 O(n^2/2)，而且運行速度自然是原來的兩倍。
一個邊際改進，尤其是在有多個集群的情況下，是用一種單一顏色的色調來繪制每個集群中的點，這種顏色根據集群的平均密度而變化，比如從淺藍色到深藍色。
正如DerekG指出的那樣，您可以對上述方案使用其他密度度量。
另一個想法是通過計算每個點的鄰居數量來計算每個點的局部密度，如果鄰居的數量超過某個閾值，則通過用對比色（比如黑色）著色來在視覺上突出顯示該點。
請注意，我在此答案中提供的代碼示例可以輕松修改以實現上述任何方法，包括DerekG的方法
我不是聚類分析專家，但我會盡力提供幫助：
原始答案：
答案取決于密度的定義。如果將密度定義為集群中所有點對的平均距離，那么這段代碼就是答案：
from math import sqrt
points = [
[1, 3],
[2, 4],
[9, 1],
[2, 6],
[5, 3],
]
def density(points):
total_distance = 0
count = 0
i = 0
for x1,y1 in points:
for x2,y2 in points[i+1:]:
count += 1
total_distance += sqrt((x1-x2)**2 + (y1-y2)**2)
i += 1
print(count)
return count/total_distance
print(density(points))
哪個打?。?/p>
0.2131384729384717
添加回答
舉報
0/150
提交
取消