def DB_SCAN_Bisect():
bins, n_cluster, db = DB_SCAN()
while (n_cluster < 6):
matrixes_index = []
matrixes = []
SSEs = []
for i in range(n_cluster):
matrixes_index.append(bins.loc[bins['DBSCAN'] == i].index)
matrix = bins.loc[bins['DBSCAN'] == i]
matrix = matrix.drop(['Bin_label', 'DBSCAN'], axis=1)
matrix = matrix.to_numpy()
SSEs.append(Eval.SSE(matrix))
matrixes.append(matrix)
SSEs = np.array(SSEs)
max_cluster = np.where(SSEs == np.max(SSEs))
km = KMeans(
n_clusters=2, # số cluster
init='k-means++', # vị trí center của cluster default: 'k-means++'
n_init=
10, # số lần chọn center của cluster default: '10' trong số lần chọn , sẽ chọn ra model có SSE nhỏ nhất
max_iter=
300, # Tiến hành chạy k-means nhiều nhất bao nhiêu lần default: '300'
tol=
1e-04, # Khi tiến hành hội tụ các điểm, sai số cho phép là bao nhiêu, default: '1e-04'
random_state=0)
bisect = km.fit_predict(matrixes[max_cluster[0][0]])
for i in range(len(matrixes_index[max_cluster[0][0]])):
if bisect[i] == 0:
a = matrixes_index[max_cluster[0][0]][i]
bins.loc[a, 'DBSCAN'] = max_cluster[0][0]
elif bisect[i] == 1:
a = matrixes_index[max_cluster[0][0]][i]
bins.loc[a, 'DBSCAN'] = n_cluster
n_cluster += 1
return bins
