DBSCAN
W tym ćwiczeniu sprawdzisz, jak działa grupowanie oparte na gęstości (DBSCAN) w wykrywaniu oszustw. Zaletą DBSCAN jest to, że nie musisz z góry określać liczby klastrów. Poza tym DBSCAN znacznie lepiej niż K-means radzi sobie z danymi o nieregularnych kształtach (czyli niewypu kłymi). Tym razem nie będziesz szukać wartości odstających w klastrach – zamiast tego weźmiesz najmniejsze klastry w danych i oznaczysz je jako oszustwa. Do dyspozycji masz ponownie przeskalowany zbiór danych, czyli X_scaled. Do dzieła!
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj
DBSCAN. - Zainicjalizuj model DBSCAN, ustawiając maksymalną odległość między dwoma próbkami na 0.9 oraz minimalną liczbę obserwacji w klastrze na 10, a następnie dopasuj model do przeskalowanych danych.
- Pobierz przewidywane etykiety – są to numery klastrów przypisane do poszczególnych obserwacji.
- Wydrukuj liczbę klastrów oraz pozostałe metryki wydajności.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import DBSCAN
from sklearn.cluster import ____
# Initialize and fit the DBSCAN model
db = DBSCAN(eps=____, min_samples=____, n_jobs=-1).fit(____)
# Obtain the predicted labels and calculate number of clusters
pred_labels = ____.____
n_clusters = len(set(pred_labels)) - (1 if -1 in labels else 0)
# Print performance metrics for DBSCAN
print('Estimated number of clusters: %d' % ____)
print("Homogeneity: %0.3f" % homogeneity_score(labels, pred_labels))
print("Silhouette Coefficient: %0.3f" % silhouette_score(X_scaled, pred_labels))