質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

320閲覧

skfuzzy.cmeansとDBSCANは何が違うのか?

退会済みユーザー

退会済みユーザー

総合スコア0

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2017/12/13 09:49

skfuzzy.cmeans ( http://pythonhosted.org/scikit-fuzzy/auto_examples/plot_cmeans.html ) とDBSCAN( http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html )は何が違うのでしょうか?重心を求め、クラスタリングしていて、違いがみられないのですが。。。違うライブラリで同じことを行っているということでしょうか?何か違いはあるのでしょうか?

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

実装が異なるようですが、もっと異なるのは目的意識でしょうか。

skfuzzy.cmeansは曖昧性を取り入れようとしました。
分類されるカテゴリ間の中間部分では原理的にどちらに分類すべきか定かではないことがあります。
二分類しろと言われれば、それぞれAとBに分類されますが、連続的な変化量の場合限りなくどちらかが定かではない要素も存在するものです。
この曖昧さを数学的に取り込むためにファジー理論があるという認識です。

一方でDBSCANはノイズを含むデータを扱おうとしています。
データ自体ははっきりと分類されるべきかもしれませんが、それを判断するための材料を得る際に不可避のノイズがある場合を想定しています。

ノイズがあるために境界が曖昧なケースもありますが、原理的に境界が曖昧なケースもございます。

参考
https://es.scribd.com/document/310487177/Practical-Data-Analysis-Cookbook-Sample-Chapter

https://github.com/scikit-fuzzy/scikit-fuzzy/blob/master/skfuzzy/cluster/_cmeans.py

https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/dbscan_.py

投稿2017/12/13 11:54

mkgrei

総合スコア8560

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

R.Shigemori

2017/12/15 22:15

以下、使用経験からの相違点です。 skfuzzy.cmeansは、その計算結果としてクラスターとともサンプルがクラスターに帰属する度合いを得ることができます。クラスターだけが欲しいのであれば、基本的な計算方法のアイデア(円形を使ってクラスターを形成する)はk-meansと同じなので概ね似通った結果になりますが、問題によっては帰属度があったほうが便利な場合があります。 例えば、クラスター分析によって商品Aを好む顧客群と商品Bを好む顧客群ができたとします。skfuzzy.cmeansだとサンプルXが前者に帰属するとしたうえでその度合いが算出されるので、自分で任意の閾値を用いることで、どちらも好む群を設定することができます。k-meansでもn_clusters=3のパラメータを設定すればできるかもしれませんが、都合よく当初の2群の境界線あたりに第3の群ができる保証はないので便利です。マーケティングで両方の商品のセールスプロモーションしたほうがいい顧客群を特定するという応用も可能ということです。 一方、DBSCANですが、使いこなせていないので推測混じりになりますが、非線形の群構成が可能です。k-meansおよびその親戚筋にあたるskfuzzy.cmeansは群は円形で構成できるというアイデアがベースなので、例えば円形で密集した群の外側にドーナッツ状の群があるような場合、ヒトの目からすると内側と外側で群形成したくても上下または左右のような群になってしまいます。 しかしながら、DBSCANは密集しているものは同じ群であるというアイデアが基本なので、先のような例でもうまく内側と外側で群形成できるようです。個人的には仮想データを使って評価検証したいのですが、それらしいものを作れず試していません。 実用途という点では、1回も使ったことはありません。一番の理由は結果を統計に詳しくないユーザに説明しやすいことが挙げられます。もっとも、私自身がDBSCANを十分に理解していないので処理結果をうまく説明できないという言い方もできます。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問