Abedul algoritmo no clúster como se esperaba

Question

Estoy usando el algoritmo de Abedul de scipy-aprender Python paquete para la agrupación de un conjunto de puntos en una pequeña ciudad en grupos de 10.

Yo uso el siguiente código:

no = len(list_of_points)/10
brc = Birch(branching_factor=50, n_clusters=no, threshold=0.05,compute_labels=True)

En mi idea, yo siempre iba a terminar con series de 10 puntos. En mi caso, ahora, tengo 650 puntos del clúster, y n_clusters es de 65.

Pero, mi problema es que con muy bajo umbral termino con 1 dirección de un clúster, sólo una pequeña más grande de umbral de 40 direcciones por cada clúster.

¿Qué estoy haciendo mal aquí?

Answer 1

He hecho un poco de investigación. Me tomó algunos puntos en dos sistemas de coordenadas no métrico (WGS84) y métrica (Polonia 1992).

He utilizado este código:

from scipy import loadtxt
from sklearn.cluster import Birch
import matplotlib.pyplot as plt

data84 = loadtxt("/home/damian/workspace/84.csv", delimiter=",")
data90 = loadtxt("/home/damian/workspace/90.csv", delimiter=",")

brc = Birch(threshold=0.5)

Entonces me ajuste de nuestro modelo con los datos de la métrica:

brc.fit(data90)

Y graficar los resultados, donde cruza fueron mis puntos y círculos eran mis subgrupos:

c = brc.subcluster_centers_
plt.plot(data90[:,0], data90[:,1], '+')
plt.plot(c[:,0], c[:,1], 'o')
plt.show()

Esto es lo que obtuve:

Usted puede ver, que el valor de umbral era demasiado pequeño, porque en él encontramos el subgrupo en cada punto.

Definición de umbral:

El radio del subgrupo obtiene mediante la fusión de una nueva muestra y el más cercano subgrupo debe ser menor que el umbral. De lo contrario, una nuevo subgrupo se inicia.

Así que en este caso tenemos que aumentar este valor.

Para:

brc = Birch(threshold=5000)

fue mucho mejor:

Y el WGS84 puntos para el umbral de 0.5:

brc = Birch(threshold=0.5)
brc.fit(data84)

Sólo un subgrupo, no es bueno. Pero en este caso se debe disminuir el valor de umbral, de modo de 0.05:

brc = Birch(threshold=0.05)
brc.fit(data84)

Tenemos buenos resultados.

Conclusión:

CRS asuntos. Usted necesita encontrar un adecuado valor de umbral, depende de tus datos de sistemas de coordenadas y la distancia entre los puntos. Si no tiene métrica de CRS, el umbral debe ser relativamente menor que con el sistema métrico. Usted tiene que saber la diferencia entre metros y grados, si la distancia entre dos puntos es igual a 10000m, será de menos de 1 grado en WGS84. Verificación de google para obtener más precisa de los valores.

También hay más puntos que n_clusters valor. Está bien, no hay centroides de los clusters, pero subgrupos. Si se intenta predecir algo, o la impresión de las etiquetas, se clasificará el punto de que uno de n_clusters áreas (o de impresión de puntos clasificados a 0,1,2,...,n_clusters etiqueta).

Si usted no quiere tratar diferentes parámetros, siempre se puede tomar otro algoritmo. Muy simple y común algoritmo de clustering es K-means el algoritmo.

http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

Se debe encontrar n grupos para los datos sin la atención acerca de los umbrales, etc.