问题陈述
我有2D熊猫数据框，其中包含有关用户工具使用特征的数据（例如，对于相应用户，系统A的使用率为88％，系统B的使用率为11％，系统C的使用率为1％：
A B C
Usage 0,88 0,11 0,01
假设存在三个用户（ID：1、2、3），则存在以下矩阵：
ID:1 A B C ID:2 A B C ID:3 A B C
Usage 0,88 0,11 0,01 Usage 0,86 0,13 0,01 Usage 0,00 0,00 1,00
我想到了将单个2D矩阵聚合到3D矩阵以识别相似使用行为的簇。
目标
确定系统使用情况下的群集。在此示例中，应该对ID1和ID2进行集群。我建立了一个有效的DBSCAN method来对随机2D数据进行聚类。
但是，我面临的问题是将2D矩阵以固定的顺序堆叠在聚合的3D矩阵中。因此，仅观察一个固定的标称序列就不可能识别出相似性，因为基本上每个用户2D数据都必须与所有其他2D数据进行比较才能找到更简单的用法。
想法
我想为机器学习中的小数据集集成某种程度上k倍交叉验证的方法。但是我不知道如何将这种行为集成到聚类算法中。
另一个想法是，可能是模式识别或分层聚类（尽管聚类总数未知） 是更好的方法，因为汇总的3D矩阵的第三轴位于标称比例（用户ID）上。但是，到目前为止，我在模式识别领域还没有经验。
也许有人有一个很好的方法性想法来解决此聚类问题。 ：）
答案 0 :(得分：0)
该示例仅将labels_true用于评估，而不用作DBSCAN本身的输入。 labels_true源自创建模拟数据集的函数。正确的调用dbscan的方法是db = DBSCAN(eps=0.3, min_samples=10).fit(X)，其中x的情况是[[valueA, valueB, valueC], [valueA, valueB, valueC], ...]，则结果在db.labels_中。