Algoritmo de Clustering OPTICS

Introducción

Esta práctica demuestra el uso del algoritmo de clustering OPTICS utilizando la biblioteca scikit-learn. OPTICS es un acrónimo que significa Ordering Points To Identify the Clustering Structure. Es un algoritmo de clustering basado en la densidad que encuentra muestras centrales de alta densidad y expande los clusters a partir de ellas. En esta práctica, generaremos datos de muestra, graficaremos la gráfica de accesibilidad y usaremos DBSCAN para agrupar los datos.

Consejos sobre la VM

Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.

Importar bibliotecas

Comenzaremos importando las bibliotecas necesarias para esta práctica: numpy, matplotlib.pyplot, y OPTICS y cluster_optics_dbscan de scikit-learn.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import OPTICS, cluster_optics_dbscan

Generar datos de muestra

Generaremos datos de muestra para el clustering. En este ejemplo, generamos seis clusters con diferentes densidades utilizando numpy.

np.random.seed(0)
n_points_per_cluster = 250

C1 = [-5, -2] + 0.8 * np.random.randn(n_points_per_cluster, 2)
C2 = [4, -1] + 0.1 * np.random.randn(n_points_per_cluster, 2)
C3 = [1, -2] + 0.2 * np.random.randn(n_points_per_cluster, 2)
C4 = [-2, 3] + 0.3 * np.random.randn(n_points_per_cluster, 2)
C5 = [3, -2] + 1.6 * np.random.randn(n_points_per_cluster, 2)
C6 = [5, 6] + 2 * np.random.randn(n_points_per_cluster, 2)
X = np.vstack((C1, C2, C3, C4, C5, C6))

Ejecutar el algoritmo de clustering OPTICS

Ahora ejecutaremos el algoritmo de clustering OPTICS en los datos generados. En este ejemplo, establecemos min_samples = 50, xi = 0.05 y min_cluster_size = 0.05.

clust = OPTICS(min_samples=50, xi=0.05, min_cluster_size=0.05)
clust.fit(X)

Agrupar datos con DBSCAN

Agruparemos los datos utilizando DBSCAN con diferentes valores de epsilon. En este ejemplo, establecemos epsilon en 0.5 y 2.

labels_050 = cluster_optics_dbscan(
    reachability=clust.reachability_,
    core_distances=clust.core_distances_,
    ordering=clust.ordering_,
    eps=0.5,
)
labels_200 = cluster_optics_dbscan(
    reachability=clust.reachability_,
    core_distances=clust.core_distances_,
    ordering=clust.ordering_,
    eps=2,
)

Graficar la gráfica de accesibilidad y los resultados del clustering

Graficaremos la gráfica de accesibilidad y los resultados del clustering para OPTICS y DBSCAN con diferentes valores de epsilon.

space = np.arange(len(X))
reachability = clust.reachability_[clust.ordering_]
labels = clust.labels_[clust.ordering_]

plt.figure(figsize=(10, 7))
G = gridspec.GridSpec(2, 3)
ax1 = plt.subplot(G[0, :])
ax2 = plt.subplot(G[1, 0])
ax3 = plt.subplot(G[1, 1])
ax4 = plt.subplot(G[1, 2])

## Gráfica de accesibilidad
colors = ["g.", "r.", "b.", "y.", "c."]
for klass, color in zip(range(0, 5), colors):
    Xk = space[labels == klass]
    Rk = reachability[labels == klass]
    ax1.plot(Xk, Rk, color, alpha=0.3)
ax1.plot(space[labels == -1], reachability[labels == -1], "k.", alpha=0.3)
ax1.plot(space, np.full_like(space, 2.0, dtype=float), "k-", alpha=0.5)
ax1.plot(space, np.full_like(space, 0.5, dtype=float), "k-.", alpha=0.5)
ax1.set_ylabel("Accesibilidad (distancia epsilon)")
ax1.set_title("Gráfica de accesibilidad")

## OPTICS
colors = ["g.", "r.", "b.", "y.", "c."]
for klass, color in zip(range(0, 5), colors):
    Xk = X[clust.labels_ == klass]
    ax2.plot(Xk[:, 0], Xk[:, 1], color, alpha=0.3)
ax2.plot(X[clust.labels_ == -1, 0], X[clust.labels_ == -1, 1], "k+", alpha=0.1)
ax2.set_title("Clustering automático\nOPTICS")

## DBSCAN a 0.5
colors = ["g.", "r.", "b.", "c."]
for klass, color in zip(range(0, 4), colors):
    Xk = X[labels_050 == klass]
    ax3.plot(Xk[:, 0], Xk[:, 1], color, alpha=0.3)
ax3.plot(X[labels_050 == -1, 0], X[labels_050 == -1, 1], "k+", alpha=0.1)
ax3.set_title("Clustering con corte de epsilon a 0.5\nDBSCAN")

## DBSCAN a 2.
colors = ["g.", "m.", "y.", "c."]
for klass, color in zip(range(0, 4), colors):
    Xk = X[labels_200 == klass]
    ax4.plot(Xk[:, 0], Xk[:, 1], color, alpha=0.3)
ax4.plot(X[labels_200 == -1, 0], X[labels_200 == -1, 1], "k+", alpha=0.1)
ax4.set_title("Clustering con corte de epsilon a 2.0\nDBSCAN")

plt.tight_layout()
plt.show()

Nota: gridspec es un módulo de matplotlib que se utiliza para crear una cuadrícula de subgráficos más compleja. No se traduce aquí ya que es un nombre propio y no afecta la comprensión del código en español.

Resumen

En este laboratorio, aprendimos cómo utilizar el algoritmo de clustering OPTICS para agrupar datos y cómo utilizar DBSCAN para agrupar los datos con diferentes valores de epsilon. También aprendimos cómo graficar la gráfica de accesibilidad y los resultados del clustering.