{"id":80,"date":"2024-11-10T17:01:15","date_gmt":"2024-11-10T17:01:15","guid":{"rendered":"https:\/\/akosgombkoto.info\/?page_id=80"},"modified":"2025-02-05T09:42:31","modified_gmt":"2025-02-05T09:42:31","slug":"dbscan","status":"publish","type":"page","link":"https:\/\/akosgombkoto.info\/en\/dbscan\/","title":{"rendered":"DBSCAN"},"content":{"rendered":"

[et_pb_section fb_built=”1″ admin_label=”Header” _builder_version=”4.27.3″ _module_preset=”default” custom_padding=”0px||0px||false|false” global_colors_info=”{}”][et_pb_row column_structure=”1_2,1_2″ _builder_version=”4.27.3″ _module_preset=”default” custom_padding=”0px|||||” global_colors_info=”{}”][et_pb_column type=”1_2″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_image src=”https:\/\/akosgombkoto.info\/wp-content\/uploads\/2025\/01\/data-science-070-2.png” title_text=”data-science-070-2″ _builder_version=”4.27.4″ _module_preset=”default” max_width_tablet=”500px” max_width_phone=”220px” max_width_last_edited=”off|tablet” max_height_tablet=”200px” max_height_phone=”100px” max_height_last_edited=”on|phone” custom_margin=”|||-8vw|false|false” custom_margin_tablet=”|||0vw|false|false” custom_margin_phone=”” custom_margin_last_edited=”on|tablet” global_colors_info=”{}”][\/et_pb_image][\/et_pb_column][et_pb_column type=”1_2″ _builder_version=”4.27.3″ _module_preset=”default” custom_padding=”||||false|false” custom_padding_tablet=”0px||||false|false” custom_padding_last_edited=”off|desktop” global_colors_info=”{}”][et_pb_text _builder_version=”4.27.4″ _module_preset=”d72c0383-6487-4f2c-ac5c-7d48a6376757″ header_font=”Roboto Slab||||||||” header_text_color=”#000000″ header_font_size=”80px” header_line_height=”1.2em” custom_margin=”||10px||false|false” header_font_size_tablet=”40px” header_font_size_phone=”20px” header_font_size_last_edited=”on|phone” locked=”off” global_colors_info=”{}”]<\/p>\n

DBSCAN<\/h1>\n

[\/et_pb_text][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” text_font=”Roboto Mono||||||||” text_text_color=”#fcb03a” text_font_size=”18px” text_line_height=”1.8em” background_color=”#042f4f” custom_padding=”15px||15px|20px|true|false” global_module=”471″ saved_tabs=”all” global_colors_info=”{}”]<\/p>\n

Az ipari \u00e9s p\u00e9ld\u00e1ul HR-es alkalmaz\u00e1si p\u00e9ld\u00e1\u00e9rt g\u00f6rgess lejjebb az els\u0151 bekezd\u00e9sre.<\/strong><\/p>\n

[\/et_pb_text][et_pb_video src=”https:\/\/akosgombkoto.info\/wp-content\/uploads\/2024\/11\/dbscan.mp4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_video][et_pb_video src=”https:\/\/akosgombkoto.info\/wp-content\/uploads\/2025\/02\/dbscan-smiley.mp4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_video][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=”1″ admin_label=”Blog” _builder_version=”4.27.3″ _module_preset=”default” global_colors_info=”{}”][et_pb_row _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_text _builder_version=”4.27.3″ _module_preset=”default” text_font=”Roboto Mono||||||||” text_text_color=”#fcb03a” text_font_size=”18px” text_line_height=”1.8em” background_color=”#042f4f” custom_padding=”15px||15px|20px|true|false” global_colors_info=”{}”]<\/p>\n

Ipari \u00e9s p\u00e9ld\u00e1ul HR-es alkalmaz\u00e1si p\u00e9ld\u00e1k (nem ipari p\u00e9ld\u00e1k mint p\u00e9ld\u00e1ul a HR-es az ipari p\u00e9lda blokk alatt tal\u00e1lhat\u00f3):<\/strong><\/p>\n

[\/et_pb_text][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” text_font=”Roboto Mono||||||||” text_text_color=”#ffffff” text_font_size=”16px” text_line_height=”1.8em” background_color=”#042f4f” custom_padding=”20px|20px|20px|20px|true|true” global_colors_info=”{}”]<\/p>\n

Ipari p\u00e9lda:<\/p>\n

G\u00e9pek \u00e1llapot\u00e1nak figyel\u00e9se
Egy aut\u00f3gy\u00e1rban k\u00fcl\u00f6nb\u00f6z\u0151 g\u00e9pek dolgoznak a termel\u00e9si folyamat sor\u00e1n, p\u00e9ld\u00e1ul hegeszt\u0151g\u00e9pek, fest\u0151robotok \u00e9s \u00f6sszeszerel\u0151 sorok. Minden g\u00e9phez szenzorokat telep\u00edtenek, amelyek m\u00e9rik a h\u0151m\u00e9rs\u00e9kletet, rezg\u00e9st, nyom\u00e1st \u00e9s m\u00e1s param\u00e9tereket, amelyek seg\u00edtenek meghat\u00e1rozni a g\u00e9p \u00fczem k\u00f6zbeni \u00e1llapot\u00e1t.<\/p>\n

Hogyan alkalmazhat\u00f3 a DBSCAN:
Adatgy\u0171jt\u00e9s: Az \u00fczem k\u00fcl\u00f6nb\u00f6z\u0151 g\u00e9peir\u0151l val\u00f3s id\u0151ben gy\u0171jtik az adatokat (pl. h\u0151m\u00e9rs\u00e9klet, rezg\u00e9sek, m\u0171k\u00f6d\u00e9si id\u0151, stb.).<\/p>\n

A DBSCAN alkalmaz\u00e1sa:<\/p>\n

A DBSCAN algoritmus klaszterezheti (csoportos\u00edthatja) az adatokat, \u00e9s azokat a g\u00e9peket, amelyek m\u0171k\u00f6d\u00e9si param\u00e9tereik alapj\u00e1n hasonl\u00f3ak, egy csoportba sorolhatja.
Azok az azonos t\u00edpus\u00fa g\u00e9pek, amelyek a norm\u00e1lis m\u0171k\u00f6d\u00e9si tartom\u00e1nyon k\u00edv\u00fcl esnek (pl. szokatlanul magas h\u0151m\u00e9rs\u00e9kletet vagy rezg\u00e9st mutatnak), az algoritmus \u201ezajnak\u201d tekinti, \u00e9s figyelmeztet\u00e9st gener\u00e1lhat a karbantart\u00e1si oszt\u00e1ly sz\u00e1m\u00e1ra.<\/p>\n

Az anom\u00e1li\u00e1k felismer\u00e9se:<\/p>\n

Ha az egy t\u00edpus\u00fa g\u00e9pek k\u00f6z\u00fcl egy g\u00e9p param\u00e9terei jelent\u0151sen elt\u00e9rnek a t\u00f6bbiek\u00e9t\u0151l, p\u00e9ld\u00e1ul egy fest\u0151robot t\u00falmelegszik, a DBSCAN \u00e9szreveheti, hogy az adott g\u00e9p „kiugr\u00f3” adatokat mutat, \u00e9s jelezheti a potenci\u00e1lis meghib\u00e1sod\u00e1st.<\/p>\n

Jav\u00edt\u00e1s \u00e9s optimaliz\u00e1l\u00e1s:<\/p>\n

A karbantart\u00e1si csapat azonnal \u00e9rtes\u00fclhet a probl\u00e9m\u00e1s g\u00e9pr\u0151l, miel\u0151tt az teljesen le\u00e1llna, \u00edgy cs\u00f6kkenthet\u0151k a nem tervezett le\u00e1ll\u00e1sok, jav\u00edthat\u00f3 a g\u00e9pek rendelkez\u00e9sre \u00e1ll\u00e1sa, \u00e9s optimaliz\u00e1lhat\u00f3 a karbantart\u00e1si k\u00f6lts\u00e9g.<\/p>\n

[\/et_pb_text][et_pb_text _builder_version=”4.27.3″ _module_preset=”default” text_font=”Roboto Mono||||||||” text_text_color=”#ffffff” text_font_size=”16px” text_line_height=”1.8em” background_color=”#042f4f” custom_padding=”20px|20px|20px|20px|true|true” global_colors_info=”{}”]<\/p>\n

HR-es p\u00e9lda:<\/p>\n

1. Toborz\u00e1si mint\u00e1zatok azonos\u00edt\u00e1sa<\/p>\n

A toborz\u00e1si folyamatok optimaliz\u00e1l\u00e1s\u00e1hoz a DBSCAN algoritmus haszn\u00e1lhat\u00f3 az \u00faj alkalmazottak m\u00faltb\u00e9li adatai alapj\u00e1n. P\u00e9ld\u00e1ul az algoritmus felismerheti, hogy mely profilok vagy k\u00e9szs\u00e9gkombin\u00e1ci\u00f3k voltak sikeresebbek egy-egy poz\u00edci\u00f3 bet\u00f6lt\u00e9s\u00e9ben, \u00e9s ennek alapj\u00e1n seg\u00edthet a toborz\u00e1si folyamatok finomhangol\u00e1s\u00e1ban.<\/p>\n

2. Fluktu\u00e1ci\u00f3 el\u0151rejelz\u00e9se<\/p>\n

Az alkalmazottak megtart\u00e1s\u00e1nak kulcseleme lehet a fluktu\u00e1ci\u00f3s mint\u00e1zatok elemz\u00e9se. DBSCAN k\u00e9pes \u00e9szlelni azokat a mint\u00e1zatokat, amelyek a munkav\u00e1llal\u00f3k t\u00e1voz\u00e1s\u00e1hoz kapcsol\u00f3dnak, p\u00e9ld\u00e1ul az elk\u00f6telez\u0151d\u00e9s hi\u00e1ny\u00e1t, gyakori hi\u00e1nyz\u00e1sokat vagy alacsony teljes\u00edtm\u00e9nyt. Ezek alapj\u00e1n azonos\u00edthat\u00f3k azok a csoportok, amelyek eset\u00e9ben nagyobb a kock\u00e1zat, hogy elhagyj\u00e1k a c\u00e9get, \u00edgy a HR proakt\u00edvan l\u00e9p\u00e9seket tehet a megtart\u00e1suk \u00e9rdek\u00e9ben.<\/p>\n

3. Teljes\u00edtm\u00e9ny\u00e9rt\u00e9kel\u00e9s alapj\u00e1n csoportos\u00edt\u00e1s<\/p>\n

A HR adatb\u00e1zisokban gyakran tal\u00e1lhat\u00f3ak k\u00fcl\u00f6nb\u00f6z\u0151 teljes\u00edtm\u00e9nymutat\u00f3k (pl. projektek sz\u00e1ma, hat\u00e1rid\u0151k betart\u00e1sa, stb.). A DBSCAN seg\u00edts\u00e9g\u00e9vel ezek az alkalmazottak csoportos\u00edthat\u00f3k k\u00fcl\u00f6nb\u00f6z\u0151 teljes\u00edtm\u00e9nyszintek szerint. Az algoritmus automatikusan felismeri a teljes\u00edtm\u00e9nymint\u00e1zatokat, \u00e9s lehet\u0151s\u00e9get ad p\u00e9ld\u00e1ul a kiugr\u00f3an j\u00f3 vagy gyenge teljes\u00edtm\u00e9nyek kiemel\u00e9s\u00e9re, \u00edgy jobban megc\u00e9lozhat\u00f3k a fejlesztend\u0151 ter\u00fcletek vagy jutalmaz\u00e1si rendszerek.<\/p>\n

[\/et_pb_text][et_pb_toggle title=”A DBSCAN klaszterez\u00e9s anim\u00e1lva: (leny\u00edl\u00f3 tartalom – kattints a jobb sz\u00e9ls\u0151 + ikonra)” open_toggle_text_color=”#fcb03a” open_toggle_background_color=”#042f4f” closed_toggle_text_color=”#fcb03a” closed_toggle_background_color=”#042f4f” icon_color=”#fcb03a” open_icon_color=”#fcb03a” _builder_version=”4.27.4″ _module_preset=”default” title_font_size=”18px” closed_title_font_size=”18px” body_text_color=”#FFFFFF” body_font_size=”16px” body_line_height=”1.8em” hover_enabled=”0″ global_colors_info=”{}” sticky_enabled=”0″]<\/p>\n

Ezeken a vide\u00f3kon a DBSCAN nem fel\u00fcgyelt klaszterez\u00e9s m\u0171k\u00f6d\u00e9s\u00e9t l\u00e1tjuk.<\/span><\/p>\n

L\u00e1thatjuk, ahogy pontr\u00f3l pontra kialakulnak a k\u00fcl\u00f6nb\u00f6z\u0151, el\u0151re nem meghat\u00e1rozott sz\u00e1m\u00fa klaszterek, illetve k\u00fcl\u00f6n sz\u00ednnel jel\u00f6l\u00e9sre ker\u00fclnek a sehova sem tartoz\u00f3 pontok, az \u00fagynevezett outlier-ek (anom\u00e1liadetekci\u00f3).<\/span><\/p>\n

A k\u00f3d az els\u0151 ebben az esetben 300 pontot gener\u00e1l le v\u00e9letlenszer\u0171en egy 100-szor 100-as k\u00e9tdimenzi\u00f3s s\u00edkon (az egys\u00e9gt\u00e1vols\u00e1g az 1) \u00e9s 7,3-om egys\u00e9g\u0171 Epszilon param\u00e9terrel (k\u00f6rnyezeti sug\u00e1r) \u00e9s 4 minim\u00e1lis szomsz\u00e9ddal csoportos\u00edtja a pontokat.<\/span><\/p>\n

A k\u00f3d a m\u00e1sodik esetben egy szomor\u00fa arcot gener\u00e1l v\u00e9letlenszer\u0171en egy 500-szor 500-as k\u00e9tdimenzi\u00f3s s\u00edkon (az egys\u00e9gt\u00e1vols\u00e1g 1) \u00e9s 65 egys\u00e9g\u0171 Epszilon param\u00e9terrel (k\u00f6rnyezeti sug\u00e1r) \u00e9s 3 minim\u00e1lis szomsz\u00e9ddal csoportos\u00edtja a pontokat.<\/span><\/p>\n

[\/et_pb_toggle][et_pb_toggle title=”Magyar\u00e1zat: (leny\u00edl\u00f3 tartalom – kattints a jobb sz\u00e9ls\u0151 + ikonra)” open_toggle_text_color=”#fcb03a” open_toggle_background_color=”#042f4f” closed_toggle_text_color=”#fcb03a” closed_toggle_background_color=”#042f4f” icon_color=”#fcb03a” open_icon_color=”#fcb03a” _builder_version=”4.27.3″ _module_preset=”default” title_font_size=”18px” closed_title_font_size=”18px” body_text_color=”#FFFFFF” body_font_size=”16px” body_line_height=”1.8em” global_colors_info=”{}”]<\/p>\n

A DBSCAN (Density-Based Spatial Clustering of Applications with Noise) egy s\u0171r\u0171s\u00e9g-alap\u00fa klaszterez\u00e9si algoritmus, amely az adatok klaszterekbe t\u00f6rt\u00e9n\u0151 csoportos\u00edt\u00e1s\u00e1ra szolg\u00e1l an\u00e9lk\u00fcl, hogy el\u0151re meg kellene hat\u00e1rozni a klaszterek sz\u00e1m\u00e1t. Ez az algoritmus k\u00fcl\u00f6n\u00f6sen hasznos, ha az adatokban zaj van (outlierek) \u00e9s az adatok s\u0171r\u0171s\u00e9gi mint\u00e1zatokat k\u00f6vetnek.<\/p>\n

M\u0171k\u00f6d\u00e9si elv
A DBSCAN algoritmus az al\u00e1bbi alapelvekre \u00e9p\u00edt:<\/p>\n

Adatpontok s\u0171r\u0171s\u00e9ge: A DBSCAN a k\u00f6rnyezet\u00e9t (szomsz\u00e9dos adatpontokat) vizsg\u00e1lja, \u00e9s k\u00e9t alapvet\u0151 param\u00e9tert haszn\u00e1l:<\/p>\n

Eps (\u03b5): A t\u00e1vols\u00e1g, amely meghat\u00e1rozza, hogy egy adatpont k\u00f6zvetlen szomsz\u00e9dja-e egy m\u00e1sik adatpontnak.
MinPts: Az a minim\u00e1lis sz\u00e1m\u00fa adatpont, amelynek a szomsz\u00e9ds\u00e1g\u00e1ban egy adatpontnak kell lennie ahhoz, hogy egy klaszter magj\u00e1t k\u00e9pezze.<\/p>\n

H\u00e1rom t\u00edpus\u00fa adatpont:<\/p>\n

Magpontok: Azok az adatpontok, amelyeknek legal\u00e1bb MinPts szomsz\u00e9dja van egy Eps t\u00e1vols\u00e1gon bel\u00fcl.
Szomsz\u00e9dos pontok: Azok a pontok, amelyek egy magpont szomsz\u00e9ds\u00e1g\u00e1ban tal\u00e1lhat\u00f3k, de nem magpontok.
Zajpontok (outlierek): Azok a pontok, amelyek nem tartoznak egyetlen klaszterhez sem, mivel minden szomsz\u00e9djukt\u00f3l epszilon t\u00e1vols\u00e1gon k\u00edv\u00fcl esnek.<\/p>\n

Klaszterez\u00e9si folyamat:<\/p>\n

A DBSCAN egy tetsz\u0151leges adatpontot v\u00e1laszt ki, \u00e9s ha t\u00f6bb, mint MinPts szomsz\u00e9ddal rendelkezik epszilon t\u00e1vols\u00e1gon bel\u00fcl, akkor egy klasztert kezd el kialak\u00edtani.
A klaszterek folytat\u00f3dnak az \u00f6sszes szomsz\u00e9dos pont hozz\u00e1ad\u00e1s\u00e1val.
Azokat az adatpontokat, amelyek nem tartoznak egy klaszterhez, zajpontoknak tekintj\u00fck.<\/p>\n

Alkalmaz\u00e1si ter\u00fcletek
S\u0171r\u0171s\u00e9g alap\u00fa klaszterez\u00e9s: DBSCAN k\u00fcl\u00f6n\u00f6sen hasznos olyan esetekben, amikor a klaszterek alakja nem szab\u00e1lyos (pl. g\u00f6mb alak\u00fa), \u00e9s amikor az adatok k\u00f6z\u00f6tt zajpontok vagy outlierek vannak. Nem sz\u00fcks\u00e9ges el\u0151re meghat\u00e1rozni a klaszterek sz\u00e1m\u00e1t.<\/p>\n

F\u0151bb alkalmaz\u00e1si ter\u00fcletek:<\/p>\n

Geogr\u00e1fiai adatelemz\u00e9s: DBSCAN-t alkalmazhatunk olyan esetekben, mint p\u00e9ld\u00e1ul a helyadatok (GPS adatok), ahol a t\u00e9rbeli eloszl\u00e1s alapj\u00e1n kell az adatokat klaszterekbe sorolni (pl. v\u00e1rosok, \u00e9ttermek, \u00fczletek klaszterez\u00e9se).<\/p>\n

Anom\u00e1li\u00e1k detekt\u00e1l\u00e1sa: Zajpontok vagy outlierek azonos\u00edt\u00e1sa az adatokban. Ha egy adatpont nem tartozik egyetlen klaszterhez sem, akkor azt zajpontnak tekinthetj\u00fck, \u00edgy alkalmas lehet a rendellenes esem\u00e9nyek vagy hib\u00e1s adatok detekt\u00e1l\u00e1s\u00e1ra.<\/p>\n

K\u00e9pfeldolgoz\u00e1s: A DBSCAN alkalmazhat\u00f3 k\u00e9peken tal\u00e1lhat\u00f3 objektumok csoportos\u00edt\u00e1s\u00e1ra vagy egyes vizu\u00e1lis mint\u00e1zatok azonos\u00edt\u00e1s\u00e1ra.<\/p>\n

H\u00e1l\u00f3zati adatb\u00e1ny\u00e1szat: Internetes vagy k\u00f6zleked\u00e9si h\u00e1l\u00f3zatokban, p\u00e9ld\u00e1ul k\u00f6zleked\u00e9si adatokban, ahol fontos az egyes \u00fatvonalak, csom\u00f3pontok \u00e9s azok k\u00f6z\u00f6tti kapcsolatok s\u0171r\u0171s\u00e9g\u00e9nek elemz\u00e9se.<\/p>\n

El\u0151ny\u00f6k:<\/p>\n

K\u00e9pes klasztereket tal\u00e1lni an\u00e9lk\u00fcl, hogy el\u0151re meghat\u00e1rozn\u00e1nk a klaszterek sz\u00e1m\u00e1t.
J\u00f3 a zajpontok \u00e9s az outlierek kezel\u00e9s\u00e9re.
K\u00e9pes kezelni a k\u00fcl\u00f6nb\u00f6z\u0151 alak\u00fa klasztereket (nem csup\u00e1n g\u00f6mb\u00f6ket).<\/p>\n

H\u00e1tr\u00e1nyok:<\/p>\n

Az algoritmus \u00e9rz\u00e9keny a param\u00e9terekre, k\u00fcl\u00f6n\u00f6sen az Eps \u00e9s MinPts \u00e9rt\u00e9kekre.
Nagy, s\u0171r\u0171 adatb\u00e1zisokkal vagy nagyon nagy adatmennyis\u00e9gekkel lass\u00fa lehet.<\/p>\n

P\u00e9lda<\/p>\n

Tegy\u00fck fel, hogy egy v\u00e1ros k\u00f6zleked\u00e9si adatain dolgozunk, \u00e9s szeretn\u00e9nk megtal\u00e1lni azokat a ter\u00fcleteket, ahol a forgalom s\u0171r\u0171s\u00e9ge magas. A DBSCAN seg\u00edts\u00e9g\u00e9vel a forgalmi adatokat klaszterekbe sorolhatjuk, \u00e9s \u00edgy azonos\u00edthatjuk a zs\u00fafolt, forgalmas ter\u00fcleteket (mint a k\u00f6zponti csom\u00f3pontok), m\u00edg a ritk\u00e1bban haszn\u00e1lt utak, vagy a zajos adatokat (pl. hib\u00e1s GPS-koordin\u00e1t\u00e1k) outlierekk\u00e9nt kezelhetj\u00fck.<\/p>\n

\u00d6sszess\u00e9g\u00e9ben a DBSCAN egy er\u0151teljes eszk\u00f6z a s\u0171r\u0171s\u00e9g-alap\u00fa klaszterez\u00e9shez, k\u00fcl\u00f6n\u00f6sen akkor, ha nem ismert el\u0151re a klaszterek sz\u00e1ma, \u00e9s ha az adatainkban zajpontok vagy outlierek vannak.<\/p>\n

[\/et_pb_toggle][et_pb_toggle title=”K\u00f3dmag: (leny\u00edl\u00f3 tartalom – kattints a jobb sz\u00e9ls\u0151 + ikonra)” open_toggle_text_color=”#fcb03a” open_toggle_background_color=”#042f4f” closed_toggle_text_color=”#fcb03a” closed_toggle_background_color=”#042f4f” icon_color=”#fcb03a” open_icon_color=”#fcb03a” _builder_version=”4.27.3″ _module_preset=”default” title_font_size=”18px” closed_title_font_size=”18px” body_text_color=”#FFFFFF” body_font_size=”16px” body_line_height=”1.8em” global_colors_info=”{}”]<\/p>\n

import numpy as np\n\n# T\u00e1vols\u00e1g sz\u00e1m\u00edt\u00e1sa k\u00e9t pont k\u00f6z\u00f6tt (euklideszi t\u00e1vols\u00e1g)\n\ndef euclidean_distance(point1, point2):\n\nreturn np.sqrt(np.sum((point1 - point2) ** 2))\n\n# Szomsz\u00e9dok keres\u00e9se (Eps t\u00e1vols\u00e1gon bel\u00fcli pontok)\n\ndef region_query(data, point_idx, eps):\n\nneighbors = []\n\nfor i in range(len(data)):\n\nif euclidean_distance(data[point_idx], data[i]) <= eps:\n\nneighbors.append(i)\n\nreturn neighbors\n\n# Klaszter kib\u0151v\u00edt\u00e9se\n\ndef expand_cluster(data, labels, point_idx, neighbors, cluster_id, eps, min_pts, visited):\n\nlabels[point_idx] = cluster_id\n\ni = 0\n\nwhile i < len(neighbors): neighbor_idx = neighbors[i] if not visited[neighbor_idx]: visited[neighbor_idx] = True new_neighbors = region_query(data, neighbor_idx, eps) if len(new_neighbors) >= min_pts:\n\nneighbors.extend(new_neighbors)\n\nif labels[neighbor_idx] == -1:\n\nlabels[neighbor_idx] = cluster_id\n\ni += 1\n\nreturn labels\n\n# DBSCAN algoritmus\n\ndef dbscan(data, eps, min_pts):\n\nlabels = np.full(len(data), -1)\n\nvisited = np.full(len(data), False)\n\ncluster_id = 0\n\nfor i in range(len(data)):\n\nif visited[i]:\n\ncontinue\n\nvisited[i] = True\n\nneighbors = region_query(data, i, eps)\n\nif len(neighbors) < min_pts:\n\nlabels[i] = -1 # Zajpont\n\nelse:\n\ncluster_id += 1\n\nlabels = expand_cluster(data, labels, i, neighbors, cluster_id, eps, min_pts, visited)\n\nreturn labels\n\n# Pontok gener\u00e1l\u00e1sa\n\nnp.random.seed(42)\n\ndata = np.random.rand(300, 2) * 100 # 300 pont k\u00e9t dimenzi\u00f3ban, 0 \u00e9s 100 k\u00f6z\u00f6tt\n\n# Param\u00e9terek be\u00e1ll\u00edt\u00e1sa\n\neps = 7.3 # Sug\u00e1r\n\nmin_pts = 4 # Minim\u00e1lis szomsz\u00e9dok sz\u00e1ma\n\n# DBSCAN alkalmaz\u00e1sa az adatk\u00e9szletre\n\nlabels = dbscan(data, eps, min_pts)<\/pre>\n
<\/code><\/p>\n
<\/code><\/p>\n
[\/et_pb_toggle][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"
DBSCANAz ipari \u00e9s p\u00e9ld\u00e1ul HR-es alkalmaz\u00e1si p\u00e9ld\u00e1\u00e9rt g\u00f6rgess lejjebb az els\u0151 bekezd\u00e9sre. Ipari \u00e9s p\u00e9ld\u00e1ul HR-es alkalmaz\u00e1si p\u00e9ld\u00e1k (nem ipari p\u00e9ld\u00e1k mint p\u00e9ld\u00e1ul a HR-es az ipari p\u00e9lda blokk alatt tal\u00e1lhat\u00f3):Ipari p\u00e9lda: G\u00e9pek \u00e1llapot\u00e1nak figyel\u00e9seEgy aut\u00f3gy\u00e1rban k\u00fcl\u00f6nb\u00f6z\u0151 g\u00e9pek dolgoznak a termel\u00e9si folyamat sor\u00e1n, p\u00e9ld\u00e1ul hegeszt\u0151g\u00e9pek, fest\u0151robotok \u00e9s \u00f6sszeszerel\u0151 sorok. Minden g\u00e9phez szenzorokat telep\u00edtenek, amelyek m\u00e9rik […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"class_list":["post-80","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/pages\/80","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/comments?post=80"}],"version-history":[{"count":58,"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/pages\/80\/revisions"}],"predecessor-version":[{"id":776,"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/pages\/80\/revisions\/776"}],"wp:attachment":[{"href":"https:\/\/akosgombkoto.info\/en\/wp-json\/wp\/v2\/media?parent=80"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}