既定のユークリッド距離計量でDBSCANを使用して,2次元の円状データセットをクラスター化します。また2乗ユークリッド距離計量でDBSCANとk——クラスタリングを使用してデータセットをクラスター化した結果を比較します。

ノイズがある2つの円が含まれている人工的なデータを生成します。

rng (“默认”)%的再现性%数据生成参数N = 300;%每个集群的大小r1 = 0.5;第一个圆的半径r2 = 5;%第二个圆的半径θ= linspace(0, 2 *π,N) ';X1 = r1*[cos(theta,sin)]+ rand(N,1);X2 = r2*[cos()，sin()]+ rand(N,1);X = (X1, X2);%嘈杂的二维圆形数据集

データセットを可視化します。

散射(X (: 1), (2):,)

プロットには2つの異なるクラスターがデータセットに含まれていることが示されています。

データに対してDBSCANクラスタリングを実行します。εの値として1を,minptsの値として5を指定します。

idx = dbscan (X 1 5);默认的距离度量是欧氏距离

クラスタリングを可視化します。

gscatter (X (: 1) X (:, 2), idx);标题(“使用欧几里得距离度量的DBSCAN”)

ユークリッド距離計量を使用した場合,DBSCANはデータセット内の2つのクラスターを正しく識別します。

2乗ユークリッド距離計量を使用して,DBSCANを実行します。εの値として1を,minptsの値として5を指定します。

idx2 = dbscan (X 1 5“距离”，“squaredeuclidean”）;

クラスタリングを可視化します。

gscatter (X (: 1) X (:, 2), idx2);标题(使用平方欧几里得距离度量的DBSCAN)

2乗ユークリッド距離計量を使用した場合,DBSCANはデータセット内の2つのクラスターを正しく識別します。

2乗ユークリッド距離計量を使用して,k——クラスタリングを実行します。k= 2クラスターを指定します。

kidx = kmeans (X, 2);默认距离度量是欧几里得距离的平方

クラスタリングを可視化します。

gscatter (X (: 1) X (:, 2), kidx);标题(“使用平方欧几里得距离度量的k -均值”)

2乗ユークリッド距離計量を使用した場合,k——クラスタリングはデータセット内の2つのクラスターを正しく識別できません。

関数dbscanに対する入力として観測値間のペアワイズ距離の行列を使用してDBSCANクラスタリングを実行し,外れ値とコア点の個数を求めます。データセットは,自動車の周囲にある物体の座標を含む3次元の点の集合として格納された激光雷达スキャンです。

物体のx y z座標を読み込みます。

负载(“lidar_subset.mat”) loc = lidar_子集;

自動車の周囲の環境を強調するため,道路表面の上部の領域で自動車の左右20メートルおよび前後20メートルにわたるように関心領域を設定します。

xBound = 20;%在米yBound = 20;%在米zLowerBound = 0;%在米

指定した領域内の点のみが含まれるようにデータをトリミングします。

指数= loc (: 1) < = xBound & loc (: 1) > = -xBound．..& loc(:，2) <= yBound & loc(:，2) >= -yBound．..& loc(:，3) > zLowerBound;loc = loc(指数:);

2次元散布図としてデータを可視化します。プロットに注釈を付けて,自動車を強調します。

散射(loc (: 1), loc (:, 2),“。”）;注释(“椭圆”，[0.48 0.48 .1 .1]，“颜色”，“红色”)

点集合の中心(赤い丸の部分)には,自動車の屋根とボンネットが含まれています。他のすべての点は障害物です。

関数pdist2を使用して,観測値間のペアワイズ距離の行列Dを事前計算します。

D = pdist2 (loc, loc);

ペアワイズ距離でdbscanを使用して,データをクラスター化します。εの値として2を,minptsの値として50を指定します。

[idx, corpts] = dbscan(D,2,50，)“距离”，“预算”）;

結果を可視化し,图に注釈を付けて特定のクラスターを強調します。

gscatter (loc (: 1), loc (:, 2), idx);注释(“椭圆”，[0.54 0.41 .07 .07]，“颜色”，“红色”网格)

散布図に示されているように,dbscanは11個のクラスターを識別し,自動車を別個のクラスターに配置しています。

関数dbscanは(中心が(3、4)の付近にある)赤い丸の点のグループをプロットの右下にある点のグループと同じクラスター(グループ7)に割り当てています。これらのグループは別々のクラスターに属すると考えられます。大きいクラスターを分断し,点をさらに分割するため,小さい値のεを試すことができます。

また,データ内の外れ値(idxの値が1)もいくつか識別されています。dbscanが外れ値として識別した点の個数を求めます。

总和(idx = = 1)

ans = 412

dbscan19070年は個の観測値から412個の外れ値を識別しました。

dbscanがコア点として識別した点の個数を求めます。coreptsの値の1は,コア点を示します。

总和(corepts = = 1)

ans = 18446

dbscan18446年は個の観測値をコア点として識別しました。

より幅広い例については,DBSCANのパラメーター値の決定を参照してください。