sklearn.cluster.compute_optics_graph?
sklearn.cluster.compute_optics_graph(X, *, min_samples, max_eps, metric, p, metric_params, algorithm, leaf_size, n_jobs)
計算OPTICS可達圖
在用戶指南中閱讀更多內容。
| 參數 | 列表 |
|---|---|
| X | array, shape (n_samples, n_features), or (n_samples, n_samples) if metric=’precomputed’ 如果metric=’precomputed’，則是特征數組，或樣本之間的距離數組 |
| min_samples | int > 1 or float between 0 and 1 (default=5) 一個點被視為核心點的鄰域樣本數。此外，上下陡峭地區不能有超過 min_samples連續的非陡峭點。表示為樣本數的絕對值或一小部分(四舍五入至少為2)。 |
| max_eps | float, optional (default=np.inf) 兩個樣本之間的最大距離，其中一個被視為另一個樣本的鄰域。 np.inf默認值將識別所有規模的聚類；減少max_eps會縮短運行時間。 |
| metric | str or callable, optional (default=’minkowski’) 用于距離計算的度量。任何來自scikit-learn或scipy.spatial.distance的度量都可以使用。 如果度量是可調用的函數，則在每對實例(行)上調用它，并記錄結果值。可調用應該以兩個數組作為輸入，并返回一個值，指示它們之間的距離。這適用于Scipy’s度量，但比將度量名稱作為字符串傳遞的效率要低。如果度量是“precomputed”，則假定X是距離矩陣，并且必須是平方的。 度量的有效值是： scikit-learn里面：[‘cityblock’, ‘cosine’, ‘euclidean’, ‘l1’, ‘l2’, ‘manhattan’] scipy.spatial.distance里面：[‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’] 有關這些度量的詳細信息，請參閱scipy.spatial.distance的文檔。 |
| p | int, optional (default=2) 來自 sklearn.metrics.pairwise_distances的Minkowski度量的參數。當p=1時，這相當于使用曼哈頓距離(L1); 當p=2， 相當于使用歐幾里得距離(L2)。對于任意p，使用minkowski_distance (l_p)。 |
| metric_params | dict, optional (default=None) 度量函數的附加關鍵字參數。 |
| algorithm | {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, optional 用于計算最近鄰居的算法： - ‘ball_tree’將會使用 BallTree- ‘kd_tree’將會使用 KDtree- ‘brute’將會使用蠻力搜索 - ‘auto’將嘗試根據傳遞給 fit方法的值來確定最合適的算法。(默認)注意：擬合稀疏輸入將覆蓋此參數的設置，使用蠻力法。 |
| leaf_size | int, optional (default=30) 傳遞給 BallTree 或者 KDTree。這會影響構造和查詢的速度，以及存儲樹所需的內存。最優值取決于問題的性質。 |
| n_jobs | int or None, optional (default=None) 要為鄰居搜索的并行作業數。None意味1， 除非在joblib.parallel_backend環境中。-1指使用所有處理器。有關詳細信息，請參Glossary。 |
| 屬性 | 說明 |
|---|---|
| ordering_ | array, shape (n_samples,) 樣本索引的聚類排序列表。 |
| core_distances_ | array, shape (n_samples,) 每個樣本成為一個核心點的距離，按對象順序索引。有一個inf的距離點永遠不會成為核心。使用 clust.core_distances_[clust.ordering_]按聚類排序進行訪問。 |
| reachability_ | array, shape (n_samples,) 每個樣本的可達距離，按對象順序索引。使用clust.achaability_[clust.order_]按聚類順序訪問。 |
| predecessor_ | array, shape (n_samples,) 指出一個樣本是從中得到的，并按對象順序進行索引。種子點有-1的前身。 |
參考
1 Ankerst, Mihael, Markus M. Breunig, Hans-Peter Kriegel, and J?rg Sander. “OPTICS: ordering points to identify the clustering structure.” ACM SIGMOD Record 28, no. 2 (1999): 49-60.