clusterDBSCAN.discoverClusters
语法
描述
(返回一个按簇排序的点列表，订单，reachdist] = clusterDBSCAN.discoverClusters(X，maxepsilon，minnumpoints）订单，可达距离，reachdist，为数据中的每个点X。指定最大值，maxepsilon，最小点数，minnumpoints。该方法实现对点排序以识别聚类结构(光学)算法。当簇的密度不同时，OPTICS算法是有用的。
clusterDBSCAN.discoverClusters (显示表示集群层次结构的条形图。X，maxepsilon，minnumpoints）
例子
显示集群层次结构
中创建随机检测的目标数据xy笛卡儿坐标。使用clusterDBSCAN.discoverClusters对象函数来显示底层集群层次结构。
首先,设置clusterDBSCAN.discoverClusters参数。
maxEpsilon = 10;minNumPoints = 6;
创建随机目标数据。
X = [randn(20,2) + [11.5,11.5];Randn (20,2) + [25,15];Randn (20,2) + [8,20];10*rand(10,2) + [20,20]];情节(X (: 1) X (:, 2),“。”)轴平等的网格
绘制集群层次结构。
clusterDBSCAN.discoverClusters (X, maxEpsilon minNumPoints)
从视觉上检查情节，选择ε为2，然后使用clusterDBSCAN对象和绘图的结果集群。
clusterer = clusterDBSCAN(“MinNumPoints”6‘ε’2,…“EnableDisambiguation”、假);[idx,cidx] = clusterer(X);情节(clusterer运算,X, idx)
输入参数
输出参数
算法
的输出clusterDBSCAN.discoverClusters让您创建一个可达性图，从中可以可视化集群的层次结构。可达性图包含上的有序点x的可达距离y设在。使用输出检查在广泛的参数设置范围内的群集结构。您可以使用输出来帮助为DBSCAN算法估计适当的epsilon聚类阈值。属于集群的点到最近邻居的可达距离较小，集群在可达性图中表现为山谷。更深的山谷对应着更密集的星系团。从山谷底部的纵坐标确定。
OPTICS假设密集的星团完全包含在密度较小的星团中。OPTICS通过跟踪点密度邻域，以正确的顺序处理数据。这一过程是通过按最短可达距离对数据点进行排序来执行的，确保首先识别出密度较高的集群。
扩展功能
版本历史
R2021a中引入
您也可以从以下列表中选择一个网站: