7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
42 lines
1.6 KiB
ObjectPascal
42 lines
1.6 KiB
ObjectPascal
// В этом примере сравниваются два алгоритма кластеризации:
|
||
// KMeans и DBSCAN.
|
||
//
|
||
// KMeans хорошо работает, когда кластеры компактны и похожи по форме.
|
||
// DBSCAN лучше справляется со сложной геометрией кластеров и не требует
|
||
// заранее задавать их число.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var (X, yTrue) := Datasets.MakeMoons(
|
||
n := 400,
|
||
noise := 0.08,
|
||
shuffle := True,
|
||
seed := 1
|
||
);
|
||
|
||
var kmeans := new KMeans(2, seed := 42);
|
||
kmeans.Fit(X);
|
||
var yKMeans := kmeans.PredictLabels(X);
|
||
|
||
var dbscan := new DBSCAN(0.22, 5);
|
||
dbscan.Fit(X);
|
||
var yDBSCAN := dbscan.PredictLabels(X);
|
||
|
||
var ariKMeans := ClusteringMetrics.AdjustedRandIndex(yTrue, yKMeans);
|
||
var ariDBSCAN := ClusteringMetrics.AdjustedRandIndex(yTrue, yDBSCAN);
|
||
|
||
Println('Сравнение KMeans и DBSCAN');
|
||
Println;
|
||
Println($'Число кластеров у KMeans: {kmeans.ClustersCount}');
|
||
Println($'Число кластеров у DBSCAN: {dbscan.ClustersCount}');
|
||
Println;
|
||
Println($'KMeans: ARI = {ariKMeans:F3}');
|
||
Println($'DBSCAN: ARI = {ariDBSCAN:F3}');
|
||
Println;
|
||
Println('Интерпретация результата:');
|
||
Println('- KMeans разбивает данные на компактные области вокруг центров.');
|
||
Println('- DBSCAN умеет находить кластеры сложной формы.');
|
||
Println('- Для двух "лун" DBSCAN обычно лучше отражает реальную структуру данных.');
|
||
end.
|