جارٍ تحميل الدرس...
في نافذة الطباعة اختر «حفظ كملف PDF» كوجهة.
تعلم الآلة والذكاء الاصطناعي - المعمل 5
تجميع قائم على الكثافة (Density-Based Clustering) يكتشف الأشكال العشوائية ويحدد القيم الشاذة
DBSCAN: التجميع المكاني القائم على الكثافة للتطبيقات مع الضوضاء (Density-Based Spatial Clustering of Applications with Noise)K-Means: لا حاجة لتحديد عدد المجموعات مسبقاminPts نقطة ضمن مسافة إبسيلون (epsilon)، بما في ذلك نفسهاepsilon من نقطة جوهرية واحدة على الأقلepsilon من أي نقطة جوهريةepsilon (ε)minPtsحساب الجيران
لكل نقطة لم تزر بعد، عد الجيران ضمن epsilon
تصنيف كنقطة جوهرية
إذا كان عدد الجيران لا يقل عن minPts، يبدأ أو يتوسع تجميع مجموعة
توسيع المجموعة
تضاف جيران كل جار جوهري إلى نفس المجموعة بشكل تكراري
تصنيف الباقي
النقاط المتبقية تصبح إما حدودية أو ضوضاء
DBSCAN المسافة الإقليدية بين النقاطمثال محلول
12 نقطة من P1 إلى P12 بإحداثيات (x, y)| النقطة | الإحداثيات |
|---|---|
| P1 | (3, 7) |
| P2 | (4, 6) |
| P3 | (5, 5) |
| P4 | (6, 4) |
| P5 | (7, 3) |
| P6 | (6, 2) |
| P7 | (7, 2) |
| P8 | (8, 4) |
| P9 | (3, 3) |
| P10 | (2, 6) |
| P11 | (3, 5) |
| P12 | (2, 4) |
12×12)مثال محلول
epsilon = 1.9| النقطة | الجيران ضمن epsilon = 1.9 |
|---|---|
| P1 | P2, P10 |
| P2 | P1, P3, P11 |
| P3 | P2, P4 |
| P4 | P3, P5 |
| P5 | P4, P6, P7, P8 |
| P6 | P5, P7 |
| P7 | P5, P6 |
| P8 | P5 |
| P9 | P12 |
| P10 | P1, P11 |
| P11 | P2, P10, P12 |
| P12 | P9, P11 |
مثال محلول
| النقطة | الإجمالي ضمن epsilon (شاملة نفسها) | التصنيف |
|---|---|---|
| P1 | 3 | حدودية |
| P2 | 4 | جوهرية |
| P3 | 3 | حدودية |
| P4 | 3 | حدودية |
| P5 | 5 | جوهرية |
| P6 | 3 | حدودية |
| P7 | 3 | حدودية |
| P8 | 2 | حدودية |
| P9 | 2 | ضوضاء |
| P10 | 3 | حدودية |
| P11 | 4 | جوهرية |
| P12 | 3 | حدودية |
النتيجة النهائية
المجموعة 1
جوهرية: P5 | حدودية: P4، P6، P7، P8
المجموعة 2
جوهرية: P2، P11 | حدودية: P1، P3، P10، P12
ضوضاء
P9
epsilon و minPtsepsilon و minPtsDBSCAN عدد المجموعات تلقائيا من كثافة البياناتK-Meansepsilon و minPts ضروري للحصول على نتائج جيدةMahmoud Abas|معمل خوارزمية التجميع DBSCAN