DBSCAN(Density-Based Spatial Clustering of Applications with Noise)の概要と適用事例および実装例について

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
import cv2

# イメージの読み込み
image = cv2.imread("image.jpg")

# イメージの前処理
# イメージを2次元配列に変換
pixels = image.reshape(-1, 3).astype(float)
# ピクセル値の正規化
scaler = StandardScaler()
pixels = scaler.fit_transform(pixels)

# DBSCANのパラメータ設定
eps = 0.3  # ε-neighborhoodの半径
min_samples = 5  # データポイントの最小数

# DBSCANの実行
dbscan = DBSCAN(eps=eps, min_samples=min_samples)
dbscan.fit(pixels)

# クラスタラベルの取得
labels = dbscan.labels_

# 各クラスタのユニークなラベルを抽出
unique_labels = np.unique(labels)

# 各クラスタの領域をイメージに描画
segmented_image = np.zeros_like(image)
for label in unique_labels:
    if label == -1:
        # ノイズポイントは黒で描画
        segmented_image[labels == label] = [0, 0, 0]
    else:
        # クラスタごとにランダムな色で描画
        color = np.random.randint(0, 255, size=3)
        segmented_image[labels == label] = color

# セグメンテーション結果の表示
cv2.imshow("Segmented Image", segmented_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# ダミーデータの生成
X, _ = make_blobs(n_samples=200, centers=3, random_state=0)

# DBSCANのパラメータ設定
eps = 0.5  # ε-neighborhoodの半径
min_samples = 5  # データポイントの最小数

# DBSCANの実行
dbscan = DBSCAN(eps=eps, min_samples=min_samples)
dbscan.fit(X)

# クラスタラベルの取得
labels = dbscan.labels_

# 各クラスタのユニークなラベルを抽出
unique_labels = np.unique(labels)

# 各クラスタをプロット
for label in unique_labels:
    if label == -1:
        # ノイズポイントは黒でプロット
        plt.scatter(X[labels == label, 0], X[labels == label, 1], color='k', label='Noise')
    else:
        # クラスタごとに異なる色でプロット
        plt.scatter(X[labels == label, 0], X[labels == label, 1], label=f'Cluster {label}')

plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt

# ダミーデータの生成
X, _ = make_moons(n_samples=200, noise=0.05, random_state=0)

# DBSCANのパラメータ設定
eps = 0.3  # ε-neighborhoodの半径
min_samples = 5  # データポイントの最小数

# DBSCANの実行
dbscan = DBSCAN(eps=eps, min_samples=min_samples)
dbscan.fit(X)

# クラスタラベルの取得
labels = dbscan.labels_

# ノイズポイントのインデックスを取得
noise_indices = np.where(labels == -1)[0]

# プロット
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(X[noise_indices, 0], X[noise_indices, 1], c='r', marker='x', label='Anomaly')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 地理空間データの例として緯度経度の座標データを使用
coordinates = np.array([
    [35.6895, 139.6917],  # 東京
    [40.7128, -74.0060],  # ニューヨーク
    [51.5074, -0.1278],   # ロンドン
    [48.8566, 2.3522],    # パリ
    [37.7749, -122.4194], # サンフランシスコ
    [55.7558, 37.6176]    # モスクワ
])

# データの正規化
scaler = StandardScaler()
coordinates_scaled = scaler.fit_transform(coordinates)

# DBSCANのパラメータ設定
eps = 1.0  # ε-neighborhoodの半径
min_samples = 2  # データポイントの最小数

# DBSCANの実行
dbscan = DBSCAN(eps=eps, min_samples=min_samples, metric='euclidean')
dbscan.fit(coordinates_scaled)

# クラスタラベルの取得
labels = dbscan.labels_

# 各クラスタのユニークなラベルを抽出
unique_labels = np.unique(labels)

# 各クラスタをプロット
for label in unique_labels:
    if label == -1:
        # ノイズポイントは黒でプロット
        plt.scatter(coordinates[labels == label, 1], coordinates[labels == label, 0], color='k', label='Noise')
    else:
        # クラスタごとに異なる色でプロット
        plt.scatter(coordinates[labels == label, 1], coordinates[labels == label, 0], label=f'Cluster {label}')

plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.legend()
plt.show()

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# サーバーログデータの例としてCPU使用率を使用
cpu_usage = np.array([
    0.4, 0.3, 0.2, 0.5, 0.6, 0.8, 0.2, 0.3, 0.5, 0.2, 0.9, 0.2, 0.3
])

# データの正規化
scaler = StandardScaler()
cpu_usage_scaled = scaler.fit_transform(cpu_usage.reshape(-1, 1))

# DBSCANのパラメータ設定
eps = 0.5  # ε-neighborhoodの半径
min_samples = 2  # データポイントの最小数

# DBSCANの実行
dbscan = DBSCAN(eps=eps, min_samples=min_samples, metric='euclidean')
dbscan.fit(cpu_usage_scaled)

# クラスタラベルの取得
labels = dbscan.labels_

# 異常なクラスタ（ノイズ）を特定
anomaly_indices = np.where(labels == -1)[0]
anomaly_values = cpu_usage[anomaly_indices]

# プロット
plt.plot(cpu_usage, 'b', label='CPU Usage')
plt.plot(anomaly_indices, anomaly_values, 'ro', label='Anomaly')
plt.xlabel('Time')
plt.ylabel('CPU Usage')
plt.legend()
plt.show()