rapidminer 和 scikit-learn 中的 DBSCAN 算法答案

【问题标题】：DBSCAN algorithms in rapidminer and scikit-learnrapidminer 和 scikit-learn 中的 DBSCAN 算法
【发布时间】：2014-09-11 10:09:36
【问题描述】：

我正在尝试寻找一种聚类算法来使用 python 对标称数据进行聚类。为此，我尝试了使用 RapidMiner 的 DBSCAN 算法，它适用于标称数据。但是当我使用 scikit-learn 提供的 DBSCAN 算法尝试相同的数据集时，它给出的错误是函数无法将字符串转换为浮点数。

rapidminer 和 scikit-learn 中的 DBSCAN 是否不同，我该如何解决这个问题？另外，如果您告诉我另一种适用于名义数据的聚类算法会很棒吗？

【问题讨论】：

在使用 scikit learn 时，您需要将数据编码为一些数字数据类型，这取决于您对字符串值的解释。是值标签，您是否需要从字符串中提取特征，例如长度，tf-idf 等。一般看LabelEncoder 和preprocessing

【解决方案1】：

SciPy 默认为欧几里得距离 (metric='euclidean')，它没有为名义数据定义。

您需要指定距离测量值！

【讨论】：

我试过了，但没有一个接受字符串数组（也许我错过了其中一个我不知道）。但我也从docs.scipy.org/doc/scipy/reference/spatial.distance.html 检查了它，因为其中一些接受布尔值。那么我是否必须将我的标称值转换为二进制文件？并使用其中一种二进制距离指标？
实现自己的距离函数可能是个好主意，专为您的用例而设计。还要先评估距离。您需要了解您的距离才能选择 epsilon 参数；如果距离不减，聚类算法也必然失败！

【解决方案2】：

RapidMiner 实现了各种距离测量，包括标称距离。这由 DBSCAN 和其他算法使用。

如果属性的值相同，则两个示例之间的距离为零，否则为 1。换句话说，“Raspberry”与“Apple”和“Computer”的距离为 1。另外“Apple”与“Raspberry”、“Computer”等是一回事。

【讨论】：