聚类光学 ξ#

sklearn.cluster.cluster_optics_xi(*, reachability, predecessor, ordering, min_samples, min_cluster_size=None, xi=0.05, predecessor_correction=True)[source]#

根据Xi-steep方法自动提取聚类。

参数：

reachabilityndarray 形状为 (n_samples,): 由OPTICS计算的可达距离 (reachability_)。
predecessorndarray 形状为 (n_samples,): 由OPTICS计算的前驱。
orderingndarray 形状为 (n_samples,): OPTICS排序后的点索引 (ordering_)。
min_samplesint > 1 或 0 到 1 之间的浮点数: 与提供给OPTICS的min_samples相同。上升和下降陡峭区域连续的非陡峭点不能超过min_samples个。表示为绝对数或样本数的分数（四舍五入到至少2）。
min_cluster_sizeint > 1 或 0 到 1 之间的浮点数，默认为None: OPTICS聚类中样本的最小数量，表示为绝对数或样本数的分数（四舍五入到至少2）。如果为None，则使用min_samples的值。
xi0到1之间的浮点数，默认为0.05: 确定可达性图上构成聚类边界的最小陡峭程度。例如，可达性图中向上的一点定义为一点与其后继者比率最多为1-xi。
predecessor_correction布尔值，默认为True: 根据计算出的前驱校正聚类。

返回：

labelsndarray 形状为 (n_samples,): 分配给样本的标签。不包含在任何聚类中的点标记为-1。
clustersndarray 形状为 (n_clusters, 2): 以[start, end]形式的聚类列表，每一行都包含所有索引。聚类根据(end, -start)（升序）排序，以便包含较小聚类的较大聚类位于这些嵌套的较小聚类之后。由于labels不反映层次结构，通常len(clusters) > np.unique(labels)。

示例

>>> import numpy as np
>>> from sklearn.cluster import cluster_optics_xi, compute_optics_graph
>>> X = np.array([[1, 2], [2, 5], [3, 6],
...               [8, 7], [8, 8], [7, 3]])
>>> ordering, core_distances, reachability, predecessor = compute_optics_graph(
...     X,
...     min_samples=2,
...     max_eps=np.inf,
...     metric="minkowski",
...     p=2,
...     metric_params=None,
...     algorithm="auto",
...     leaf_size=30,
...     n_jobs=None
... )
>>> min_samples = 2
>>> labels, clusters = cluster_optics_xi(
...     reachability=reachability,
...     predecessor=predecessor,
...     ordering=ordering,
...     min_samples=min_samples,
... )
>>> labels
array([0, 0, 0, 1, 1, 1])
>>> clusters
array([[0, 2],
       [3, 5],
       [0, 5]])