DBSCAN
Bu egzersizde doluluk temelli bir kümeleme yöntemi (DBSCAN) kullanarak sahtekarlık tespitini keşfedeceksin. DBSCAN'in avantajı, önceden küme sayısını tanımlamana gerek olmamasıdır. Ayrıca, DBSCAN tuhaf şekilli verilerle (ör. dışbükey olmayan) K-means'e kıyasla çok daha iyi başa çıkar. Bu kez kümelerin aykırı değerlerini alıp bunları sahtekarlık olarak işaretlemek yerine, verideki en küçük kümeleri alıp bunları sahtekarlık olarak etiketleyeceksin. Yine ölçeklenmiş veri kümesi, yani X_scaled elinde mevcut. Hadi deneyelim!
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
DBSCAN'i içe aktar.- İki örnek arasındaki maksimum mesafeyi 0.9 ve bir kümedeki minimum gözlem sayısını 10 olarak ayarlayarak bir DBSCAN modeli başlat ve modeli ölçeklenmiş veriye fit et.
- Tahmin edilen etiketleri elde et; bunlar, bir gözleme atanan küme numaralarıdır.
- Küme sayısını ve diğer performans metriklerini yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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))