Scikit-Learn: прогнозирование новых точек с помощью DBSCAN

Я использую DBSCAN для кластеризации некоторых данных с помощью Scikit-Learn (Python 2.7):

from sklearn.cluster import DBSCAN
dbscan = DBSCAN(random_state=0)
dbscan.fit(X)

Однако я обнаружил, что не было встроенной функции (кроме "fit_predict" ), которая могла бы назначать новые точки данных Y в кластеры, идентифицированные в исходных данных X. Метод K -средства имеет "предсказывать", но я хочу иметь возможность сделать то же самое с DBSCAN. Что-то вроде этого:

dbscan.predict(X, Y)

Чтобы плотность могла быть выведена из X, но возвращаемые значения (назначения/метки кластера) предназначены только для Y. Из того, что я могу сказать, эта возможность доступна в R, поэтому я предполагаю, что она также доступна на Python, Я просто не могу найти документацию для этого.

Кроме того, я попытался найти причины, по которым DBSCAN не может использоваться для маркировки новых данных, но я не нашел никаких оправданий.

Ответы

Ответ 1

Кластеризация не является классификацией.

Кластеризация не мечена. Если вы хотите сжать его в мышление предсказания (это не самая лучшая идея), то он, по сути, предсказывает без обучения. Потому что для кластеризации нет данных о методах обучения. Он должен составлять новые метки для данных, основываясь на том, что он видит. Но вы не можете сделать это в одном экземпляре, вы можете только "массовое предсказание".

Но что-то не так с scipys DBSCAN:

random_state: numpy.RandomState, необязательно:

Генератор, используемый для инициализации центров. По умолчанию используется numpy.random.

DBSCAN не "инициализирует центры", потому что в DBSCAN нет центров.

В значительной степени единственным алгоритмом кластеризации, в котором вы можете назначить новые точки старым кластерам, является k-средство (и его многочисленные варианты). Поскольку он выполняет классификацию "1NN", используя предыдущие центры кластеров итераций, затем обновляет центры. Но большинство алгоритмов не работают, как k-означает, поэтому вы не можете скопировать это.

Если вы хотите классифицировать новые точки, лучше всего подготовить классификатор к результату кластеризации.

Что, возможно, делает R-версия, использует классификатор 1NN для прогнозирования; возможно, с дополнительным правилом, которому присваивается точка метка шума, если их расстояние в 1NN больше, чем epsilon, mabye также использует только основные точки. Возможно, нет.

Получите документ DBSCAN, он не обсуждает "предсказание" IIRC.

Ответ 2

В то время как у Анони-Мусса есть несколько хороших моментов (кластеризация действительно не классифицируется), я считаю, что способность назначать новые точки имеет полезность. *

На основе оригинальной статьи DBSCAN и идей robertlaytons на github.com/scikit-learn, я предлагаю запустить основные точки и назначить кластер первой базовой точки, находящейся в пределах eps новой точки. Тогда гарантируется, что ваша точка будет по крайней мере быть граничной точкой назначенного кластера в соответствии с определениями, используемыми для кластеризации. (Имейте в виду, что ваша точка может считаться помехой и не назначена кластеру)

Я сделал быструю реализацию:

import numpy as np
import scipy as sp

def dbscan_predict(dbscan_model, X_new, metric=sp.spatial.distance.cosine):
    # Result is noise by default
    y_new = np.ones(shape=len(X_new), dtype=int)*-1 

    # Iterate all input samples for a label
    for j, x_new in enumerate(X_new):
        # Find a core sample closer than EPS
        for i, x_core in enumerate(dbscan_model.components_): 
            if metric(x_new, x_core) < dbscan_model.eps:
                # Assign label of x_core to x_new
                y_new[j] = dbscan_model.labels_[dbscan_model.core_sample_indices_[i]]
                break

    return y_new

Ярлыки, полученные кластеризацией (dbscan_model = DBSCAN(...).fit(X) и метками, полученными из той же модели по тем же данным (dbscan_predict(dbscan_model, X)), иногда различаются. Я не совсем уверен, что это где-то ошибка или результат случайности.

EDIT: Я думаю, что вышеупомянутая проблема с разными результатами прогнозирования может быть связана с возможностью того, что пограничная точка может быть близка к нескольким кластерам. Обновите, если вы проверите это и найдите ответ. Неоднозначность может быть решена путем перетасовки основных точек каждый раз или путем выбора ближайшего вместо первой точки ядра.

*) Дело под рукой: я хотел бы оценить, есть ли кластеры, полученные из подмножества моих данных, для другого подмножества, или это просто частный случай. Если он обобщает, он поддерживает действительность кластеров и применяемые ранее шаги предварительной обработки.