Python sklearn OPTICS用法及代碼示例

本文簡要介紹python語言中 sklearn.cluster.OPTICS 的用法。

用法:

class sklearn.cluster.OPTICS(*, min_samples=5, max_eps=inf, metric='minkowski', p=2, metric_params=None, cluster_method='xi', eps=None, xi=0.05, predecessor_correction=True, min_cluster_size=None, algorithm='auto', leaf_size=30, memory=None, n_jobs=None)

從向量數組估計聚類結構。

OPTICS(Ordering Points To Identity the Clustering Structure)與 DBSCAN 密切相關，尋找高密度的核心樣本並從中擴展聚類[1]。與 DBSCAN 不同，它保持可變鄰域半徑的簇層次結構。比當前的 DBSCAN sklearn 實現更適合在大型數據集上使用。

然後使用DBSCAN-like方法(cluster_method = ‘dbscan’)或[1]中提出的自動技術(cluster_method = ‘xi’)提取簇。

該實現偏離了原始 OPTICS，首先對所有點執行 k 最近鄰搜索以識別核心大小，然後在構建集群順序時僅計算到未處理點的距離。請注意，我們沒有使用堆來管理擴展候選者，因此時間複雜度將為 O(n^2)。

在用戶指南中閱讀更多信息。

參數：

min_samples：int > 1 或在 0 和 1 之間浮點數，默認 = 5

將一個點視為核心點的鄰域中的樣本數。此外，上下陡峭區域的連續非陡峭點不能超過min_samples。表示為樣本數的絕對數或分數(四舍五入至少為 2)。

max_eps：浮點數，默認=np.inf

兩個樣本之間的最大距離，一個被認為是在另一個附近。 np.inf 的默認值將識別所有規模的集群；減少 max_eps 將縮短運行時間。

metric：str 或可調用，默認='minkowski'

用於距離計算的度量。可以使用來自 scikit-learn 或 scipy.spatial.distance 的任何度量。

如果 metric 是一個可調用函數，則在每對實例(行)上調用它並記錄結果值。可調用對象應將兩個數組作為輸入並返回一個值，指示它們之間的距離。這適用於 Scipy 的指標，但效率低於將指標名稱作為字符串傳遞。如果 metric 是“precomputed”，X 被假定為一個距離矩陣並且必須是正方形。

指標的有效值為：

• 來自scikit-learn：[‘cityblock’, ‘cosine’, ‘euclidean’，‘l1’, ‘l2’，‘manhattan’]
• 來自 scipy.spatial.distance: [‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’]

有關這些指標的詳細信息，請參閱scipy.spatial.distance 的文檔。

p：整數，默認=2

來自 pairwise_distances 的 Minkowski 度量的參數。當 p = 1 時，這相當於使用 manhattan_distance (l1)，而對於 p = 2，則使用 euclidean_distance (l2)。對於任意 p，使用 minkowski_distance (l_p)。

metric_params：字典，默認=無

度量函數的附加關鍵字參數。

cluster_method：str，默認='xi'

用於使用計算的可達性和排序來提取簇的提取方法。可能的值為“xi” 和“dbscan”。

eps：浮點數，默認=無

兩個樣本之間的最大距離，一個被認為是在另一個附近。默認情況下，它假定與 max_eps 相同的值。僅在 cluster_method='dbscan' 時使用。

xi：在 0 和 1 之間浮點數，默認 = 0.05

確定構成集群邊界的可達圖上的最小陡度。例如，可達性圖中的向上點由一個點與其後繼點的比率最多為 1-xi 來定義。僅在 cluster_method='xi' 時使用。

predecessor_correction：布爾，默認=真

根據 OPTICS [2] 計算的前輩正確的聚類。此參數對大多數數據集影響最小。僅在 cluster_method='xi' 時使用。

min_cluster_size：int > 1 或在 0 和 1 之間浮點數，默認 = 無

OPTICS 集群中的最小樣本數，表示為絕對數或樣本數的分數(四舍五入至少為 2)。如果 None ，則使用 min_samples 的值。僅在 cluster_method='xi' 時使用。

algorithm：{‘auto’, ‘ball_tree’，‘kd_tree’, ‘brute’}，默認='自動'

用於計算最近鄰的算法：

• ‘ball_tree’ 將使用 BallTree
• ‘kd_tree’ 將使用 KDTree
• ‘brute’ 將使用蠻力搜索。
• ‘auto’ 將嘗試根據傳遞給 fit 方法的值來決定最合適的算法。 (默認)

注意：擬合稀疏輸入將使用蠻力覆蓋此參數的設置。

leaf_size：整數，默認=30

葉大小傳遞給 BallTree 或 KDTree 。這會影響構建和查詢的速度，以及存儲樹所需的內存。最佳值取決於問題的性質。

memory：帶有joblib.Memory 接口的str 或對象，默認=None

用於緩存樹計算的輸出。默認情況下，不進行緩存。如果給出一個字符串，它是緩存目錄的路徑。

n_jobs：整數，默認=無

為鄰居搜索運行的並行作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

屬性：

labels_：ndarray 形狀 (n_samples,)

給fit()的數據集中每個點的聚類標簽。不包含在cluster_hierarchy_ 的葉簇中的噪聲樣本和點被標記為-1。

reachability_：ndarray 形狀 (n_samples,)

每個樣本的可達距離，按對象順序索引。使用clust.reachability_[clust.ordering_] 以集群順序訪問。

ordering_：ndarray 形狀 (n_samples,)

樣本索引的集群有序列表。

core_distances_：ndarray 形狀 (n_samples,)

每個樣本成為核心點的距離，按對象順序索引。永遠不會成為核心的點的距離為 inf。使用clust.core_distances_[clust.ordering_] 以集群順序訪問。

predecessor_：ndarray 形狀 (n_samples,)

到達樣本的點，按對象順序索引。種子點的前身為 -1。

cluster_hierarchy_：ndarray 形狀 (n_clusters, 2)

每行中以[start, end] 形式出現的簇列表，包括所有索引。簇根據(end, -start)(升序)排序，以便包含較小簇的較大簇排在那些較小簇之後。由於 labels_ 不反映層次結構，通常是 len(cluster_hierarchy_) > np.unique(optics.labels_) 。另請注意，這些索引屬於 ordering_ ，即 X[ordering_][start:end + 1] 形成一個集群。僅在 cluster_method='xi' 時可用。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

參考：

1(1,2)

Ankerst、Mihael、Markus M. Breunig、Hans-Peter Kriegel 和 Jörg Sander。 “光學：識別聚類結構的排序點。” ACM SIGMOD 記錄 28，沒有。 2 (1999): 49-60。

2

舒伯特、埃裏希、邁克爾·格茨。 “改進從光學圖中提取的集群結構。”過程。會議“Lernen, Wissen, Daten, Analysen” (LWDA) (2018): 318-329。

例子：

>>> from sklearn.cluster import OPTICS
>>> import numpy as np
>>> X = np.array([[1, 2], [2, 5], [3, 6],
...               [8, 7], [8, 8], [7, 3]])
>>> clustering = OPTICS(min_samples=2).fit(X)
>>> clustering.labels_
array([0, 0, 0, 1, 1, 1])