[英]How to define a range of values for the eps parameter of sklearn.cluster.DBSCAN?
[英]sklearn.cluster.DBSCAN gives unexpected result
我正在使用DBSCAN方法对图像进行聚类,但是会产生意外的结果。 假设我有10张图片。
首先,我使用cv2.imread
循环读取图像。 然后,我计算每个图像之间的结构相似性指数。 在那之后,我有一个像这样的矩阵:
[
[ 1. -0.00893619 0. 0. 0. 0.50148778 0.47921832 0. 0. 0. ]
[-0.00893619 1. 0. 0. 0. 0.00996088 -0.01873205 0. 0. 0. ]
[ 0. 0. 1. 0.57884212 0. 0. 0. 0. 0. 0. ]
[ 0. 0. 0.57884212 1. 0. 0. 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
[ 0.50148778 0.00996088 0. 0. 0. 1. 0.63224396 0. 0. 0. ]
[ 0.47921832 -0.01873205 0. 0. 0. 0.63224396 1. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 0. 0. 1. 0.77507487 0.69697053]
[ 0. 0. 0. 0. 0. 0. 0. 0.77507487 1. 0.74861881]
[ 0. 0. 0. 0. 0. 0. 0. 0.69697053 0.74861881 1. ]]
看起来不错。 然后,我将简单地调用DBSCAN:
db = DBSCAN(eps=0.4, min_samples=3, metric='precomputed').fit(distances)
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
结果是
[0 0 0 0 0 0 0 0 0 0]
我做错了什么? 为什么将所有图像都放在一个群集中?
DBSCAN通常假定不相似 (距离)而不是相似性。 也可以使用相似性阈值来实现(请参见通用DBSCAN)
问题是我错误地计算了距离矩阵-主对角线上的条目全为零。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.