OPTIQUE Ordonner les points pour identifier la structure de regroupement

Pas encore de compte ?

L'ordre des points pour identifier la structure de regroupement est un algorithme permettant de trouver des clusters basés sur la densité dans les données spatiales.

OPTICS est similaire à DBSCAN, mais il répond à l'une des principales faiblesses de DBSCAN à savoir, le problème de la détection de clusters significatifs dans des données de densité variable.

Pour ce faire, les points de la base de données sont ordonnés de telle sorte que les points spatialement les plus proches deviennent voisins dans l'ordre.

Une distance spéciale est stockée pour chaque point qui représente la densité qui doit être acceptée pour un cluster afin que les deux points appartiennent à celui-ci.

Ceci est représenté par un dendrogramme.

Détection d'anomalies avec OPTICS

Testé sous Anaconda et Python 3.7

from sklearn.cluster import OPTICS
from sklearn.datasets import make_blobs
from numpy import quantile, where, random
import matplotlib.pyplot as plt
 
random.seed(123)
x, _ = make_blobs(n_samples=350, centers=1, cluster_std=.4, center_box=(20, 5))
 
plt.scatter(x[:,0], x[:,1])
plt.grid(True)
plt.show() 
 
model = OPTICS().fit(x)
print(model)
 
scores = model.core_distances_
 
thresh = quantile(scores, .98)
print(thresh) 
 
index = where(scores >= thresh)
values = x[index]
print(values)
 
plt.scatter(x[:,0], x[:,1])
plt.scatter(values[:,0],values[:,1], color='r')
plt.legend(("normal", "anomal"), loc="best", fancybox=True, shadow=True)
plt.grid(True)
plt.show()
 

Source : https://www.datatechnotes.com/2020/12/anomaly-detection-with-optics-in-python.html