sklearn曲折

最新推荐文章于 2023-07-21 01:02:58 发布
原创 最新推荐文章于 2023-07-21 01:02:58 发布 · 398 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了Python科学计算中常用库的安装顺序：首先安装numpy+mkl，随后是scipy，接着是matplotlib，最后安装sklearn。这些库是进行数据分析和机器学习的基础。
部署运行你感兴趣的模型镜像

所需 依赖库，及其顺序：四个软件的安装顺序是：numpy+mkl      scipy    matplotlib  sklearn

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

机器学习已经应用于各种各样的领域，例如图像识别、文本分析、生物信息学、智能交通、疾病检测、贷款风险管理、垃圾邮件过滤等。无论是在医疗保健、金融、教育、娱乐等各个行业都有着广泛的应用
AI天才研究院
08-26 298
作者：禅与计算机程序设计艺术 1.简介 1.1 什么是机器学习？ 机器学习(ML)是人工智能领域的一个重要研究方向，它研究如何让计算机“学习”任务、数据或模型的模式。换句话说，就是通过从训练集中学习到新知识或模型，对输入进行预测、分类、聚类、回归等。
【Python机器学习】零基础掌握Pairwise距离计算函数评估函数方法
Mr数据杨
11-02 583
在本文中探讨了四种不同的距离计算方法：欧氏距离、曼哈顿距离、支持缺失值的欧氏距离和Haversine距离。每种距离计算方法都有其独特的应用场景和优势。欧氏距离：最常见和直观的距离计算方法，适用于多种场景，特别是在各个维度的重要性相似时。曼哈顿距离：在网格状或曼哈顿城市（街道呈直角排列）中，计算从一个点到另一个点的实际距离时非常有用。支持缺失值的欧氏距离：当数据集中存在缺失值时，仍然可以计算距离，提高了方法的适用性。Haversine距离。
python学习笔记之sklearn数据预处理归一化
qikaihuting的博客
09-11 8592
可参考sklearn_数据处理API帮助理解！ 标准归一化 归一化到均值为0，方差为1 sklearn.preprocessing.scale函数：Standardize a dataset along any axis 先贴出主要的源码，乍一看，很乱，其实细看之下，就是多了一些判断稀疏矩阵之类的条件性代码。 #coding=utf-8 import numpy as np from...
ubuntu14.04 安装 sklearn
tw18761720160的博客
11-09 776
ubuntu装个sklearn各种曲折，下面是最终的解决方法 转自：http://lg70124752.iteye.com/blog/2116313 按说，这个安装应该也不是很困难，但是官方网站的说明在我看来写的实在是有待改进，所以写文一篇，方便以后安装。 背景： Ubuntu 13.04 python 2 .7. 4（系统预装） 步骤： 官方原文
python sklearn 梯度下降法_梯度下降法及其Python实现
weixin_39750410的博客
11-28 919
基本介绍梯度下降法（gradient descent），又名最速下降法（steepest descent）是求解无约束最优化问题最常用的方法，它是一种迭代方法，每一步主要的操作是求解目标函数的梯度向量，将当前位置的负梯度方向作为搜索方向。梯度下降法特点：越接近目标值，步长越小，下降速度越慢。下面将通过公式来说明梯度下降法。建立模型为拟合函数接下来的目标是将该函数通过样本的拟合出来，得到最佳的函数模...
win10+python3.6环境下的sklearn安装
魏晋小子的博客
11-13 4188
首次接触sklearn，在win10环境下安装过程中过程较为曲折，故在此处记下以备不时之需。 1.直接安装：失败 直接使用pip指令或者在pycharm中安装均告失败 2.安装包下载+pip安装 （1）登录网站，下载所需要的安装包 （2）在网站中依次找到适合当前机器环境的安装sklearn所需要的依赖包 numpy+mkl（该下载项耗费时间最长） numpy‑1.15.4+mkl‑cp36‑cp...
解决Python安装sklearn后，import过程中提示“找不到指定的模块”的问题
热门推荐
YZW_优快云_的博客
05-23 2万+
今天在调试一个人脸识别的项目过程中，进行数据集训练时发现安装好sklearn模块后，通过import sklearn导入时提示“找不到指定的模块”，错误内容如图片所示： 接下来，就是在网上一通搜索，可是并没有找到解决方案，没办法，只能自力更生了。当然，解决问题的过程是曲折的，但幸运的是解决了问题，出现这一问题的原因是由于先前已安装好的与sklearn模块相关联的模块与安装的sklearn不“匹配...
机器学习算法——线性回归的详细介绍 及 利用sklearn包实现线性回归模型
Ma Sizhou
02-27 5393
目录1、线性回归简介1.1 线性回归应用场景1.2 什么是线性回归1.2.1 定义与公式1.2.2 线性回归的特征与目标的关系分析2、线性回归api初步使用2.1 线性回归API2.2 举例2.2.1 步骤分析2.2.2 代码过程3、线性回归的损失和优化3.1 损失函数3.2 优化算法3.2.1 正规方程（1）什么是正规方程（2）正规方程求解举例3.2.2 正规方程的推导**推导方式一**：**推导方式二**：3.2.2 梯度下降(Gradient Descent)（1）什么是梯度下降（2）梯度的概念（3.
终于弄清楚了Sklearn DecisionTreeRegressor剪枝问题
qq_36906832的博客
04-05 3203
纠结了好久，终于明白了决策树回归的后剪枝问题，有点死脑筋，过程比较曲折，记录一下。 sklearn中相应的文档说回归器采用了优化的cart算法，但是每次调用这个模型时，感觉都是通过设定一些特定参数进行预剪枝，没有见过后剪枝。一直就纳闷，这里没有后剪枝，怎么就采用了优化的cart算法呢？ balabalabala......看了好多帖子，似乎都说明了DecisionTreeRegressor只有...
python:从sklearn库中导出数据集（以波士顿房价为例）
qq_41121497的博客
11-04 9593
首先需要用到sklearn里面的数据集以及调用pandas库 from sklearn import datasets import pandas as pd 然后是实例化``` boston = datasets.load_boston() 这一步是用到了pandas库中的DataFrame函数，这个函数可以指定data,columns，index等，若不指明columns，则每列数据的标签会以1、2、3等标记，这里我们每列数据的标签用数据集里面 data =pd.DataFrame(data=b
逻辑斯蒂回归（LogisticRegression）sklearn的一个例子中文解释
sherri_du的博客
03-04 7319
http://www.2cto.com/net/201607/522311.html http://scikit-learn.org/stable/auto_examples/linear_model/plot_logistic_l1_l2_sparsity.html#sphx-glr-auto-examples-linear-model-plot-logistic-l1-l2-sparsi
精选资源
sklearn 机器学习库.zip
04-07
机器学习历经70年的曲折发展，以深度学习为代表借鉴人脑的多分层结构、神经元的连接交互信息的逐层分析处理机制，自适应、自学习的强大并行信息处理能力，在很多方面收获了突破性进展，其中最有代表性的是图像识别...
利用机器学习预测股价：金融数据建模技巧
AI天才研究院
07-21 3820
作者：禅与计算机程序设计艺术 1.1 概述 根据世界银行发布的《全球经济展望》报告，2022年全球GDP将达到17万亿美元，比上一年增长了9%，创历史新高。国内经济依然处于高速增长期，但同时也面临着巨大的结构性危机、贸易摩擦、产业升级等挑战，给企业带来巨额利润和不确定性。随着国际金融市场对中国股市的
在青软实训的一个月里，我经历了从一个学生的位置到一个公司职员的过度。
oPerform的专栏
10-02 1万+
姿态决定生态，状态决定未来              2013年8月24日来到青岛进行为期四个月的实训，我们寄予了这里很高的期望，都想在这里能成功“升级”成为能给公司盈利的员工，这一个月内，我们经历了从学生到公司员工的身心的蜕变。        刚来基地实习的时候，有一位女同学在一次班会上，要求老师给提供餐厅，说在这边吃饭不方便，应该像大学里那样有个餐厅，可能因为她还小，或者她认为自己还是一个
HKEY_LOCAL_MACHINE\Software\WOW6432Node
oPerform的专栏
07-11 1万+
64 位版本 Windows 中的注册表分为 32 位注册表项和 64 位注册表项。许多 32 位注册表项与其相应的 64 位注册表项同名，反之亦然。 64 位版本 Windows 包含的默认 64 位版本注册表编辑器 (Regedit.exe) 可显示 64 位和 32 位的 注册表项。WOW64 注册表重定向器为 32 位程序提供了对应于 32 位程序注册表项的不同注册表项。在 64 位
http301重定向&IIS 301重定向&域名转向&新旧域名更替
oPerform的专栏
04-10 2364
//实现： 访问站点“liebo.com”自动跳转至“www.liebo.com”，至于需要跳转的原因有关于SEO和个人喜好 //环境： Windows 2008 R2 IIS （管理器） //实施： 一、创建可正常访问的web站点“www.liebo.com”，详细过程略。 注意：在【网站绑定】处不要添加“liebo.com”这个主机名。如图，
Flutter project 项目，波浪线消除
oPerform的专栏
01-06 1938
如果是导入的flutter项目 执行：flutterversion ,就可以消除波浪线，并且加载全部import
移动互联，生存并不容易，壮大并非朝夕——高大全快*完美创新
oPerform的专栏
05-09 1013
通信与网络完美结合，是信息产业的大跃进，不仅要求企业做的速度之快，规模之大，深度之高，功能之全，也得完美合作，跨越转型，勇于创新。简言之“高大全快，完美转‘新’”。       高大全快——这无疑是IT的最显著的节奏，信息化的灵魂。要求企业具有前瞻性的技术人才和长远战略目标，具有这种性质的企业方能在移动互联有所作为，也正是因为这样苛刻的要求，许多公司难以胜任这个”大蛋糕“，都知道好吃，到那时吃不
LInux 时间纠正
oPerform的专栏
03-15 453
timedatectl set-ntp no //关闭时间动态更新 timedatectl set-time "YYYY-MM-DD HH:MM:SS" //设置时间和日期 timedatectl set-ntp yes //开启时间动态更新 date　　　　//查看当前时间和日期
分析一下这个结果。这是分析的结果。step1结果 C:\Users\admin\miniconda3\envs\aisenv\python.exe D:\file\ShipTrack\src\step1preprocess.py ============================================================ Step 1: 数据预处理与质量控制 ============================================================ [1/6] 读取数据: D:\file\ShipTrack\data.csv 原始数据: 20831 行, 9 列 列名: ['mmsi', 'acqtime', 'cog', 'latitude', 'longitude', 'speed', 'status', 'truehead', 'mmsi_mark'] [2/6] 标准化列名... 标准化后列名: ['mmsi', 'acqtime', 'cog', 'lat', 'lon', 'speed', 'status', 'truehead', 'mmsi_mark'] [3/6] 解析时间字段... [4/6] 排序数据... [5/6] 基础质量控制... 基础QC过滤: 10704 行 (剩余 10127) [6/6] 计算相邻点特征... 高级QC过滤: 6 行 (剩余 10121) [7/7] 保存清洗数据... ============================================================ 预处理完成! ============================================================ 输出文件: D:\file\ShipTrack\interim\clean_points.parquet 最终数据: 10121 行 涉及船舶段: 42 个 涉及MMSI: 29 个 时间范围: 2024-02-01 00:33:23 至 2024-04-23 05:31:17 保留字段: mmsi acq_time cog lat lon speed status true_head mmsi_mark dt_s step_nm v_calc 进程已结束，退出代码为 0 step2结果 C:\Users\admin\miniconda3\envs\ais_env\python.exe D:\file\ShipTrack\src\step2_features.py ============================================================ Step 2: 特征提取 ============================================================ [1/5] 读取清洗数据: D:\file\ShipTrack\interim\clean_points.parquet 数据: 10121 行, 42 个轨迹段 [2/5] 准备特征计算... [3/5] 按mmsi_mark提取特征... [4/5] 构建特征表... [5/5] 保存特征数据... ============================================================ 特征提取完成! ============================================================ 输出文件: D:\file\ShipTrack\processed\features.parquet 特征数量: 42 行 × 17 列 涉及MMSI: 29 个 特征统计: mean_speed sinuosity turn_rate_mean work_ratio total_dist_nm count 42.000000 42.000000 42.000000 42.000000 42.000000 mean 28.719872 4.016463 13.762820 0.116651 61.607438 std 21.434055 9.245494 27.966457 0.274748 252.409980 min 1.000000 1.000000 0.000000 0.000000 0.000000 25% 8.643411 1.000000 2.650157 0.000000 0.398144 50% 21.852941 1.001454 6.885642 0.000000 8.852564 75% 51.927083 1.455251 13.167742 0.012566 30.790647 max 60.000000 48.238806 175.500000 1.000000 1641.711900 ✓ Step 2 完成，可以运行 Step 3 进程已结束，退出代码为 0 step3结果 C:\Users\admin\miniconda3\envs\ais_env\python.exe D:\file\ShipTrack\src\step3_cluster.py ============================================================ Step 3: 聚类推断行为类型 ============================================================ [1/6] 读取特征数据: D:\file\ShipTrack\processed\features.parquet 特征数据: 42 行 [2/6] 规则识别静止段... 识别静止段: 0 个 (0.0%) [3/6] 对非静止段进行GMM聚类 (n_clusters=3)... 待聚类样本: 42 个 C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( C:\Users\admin\miniconda3\envs\ais_env\lib\site-packages\sklearn\cluster\_kmeans.py:1419: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1. warnings.warn( [4/6] 分析聚类中心... 聚类中心统计: cluster_id count mean_speed sinuosity turn_rate_mean work_ratio 2 5 6.768500 1.283111 45.337353 0.815557 0 7 10.499661 18.494289 8.021113 0.076327 1 30 36.629817 1.093862 9.840129 0.009575 [5/6] 映射为语义标签... Cluster 2 (5 个) -> Inferred_FishingLike Cluster 0 (7 个) -> Inferred_OtherWork Cluster 1 (30 个) -> Inferred_TransportLike [6/6] 保存聚类结果... ============================================================ 聚类推断完成! ============================================================ 输出文件: D:\file\ShipTrack\processed\clustered.parquet 总样本数: 42 行为类型分布: Inferred_TransportLike: 30 (71.4%) Inferred_OtherWork: 7 (16.7%) Inferred_FishingLike: 5 (11.9%) 聚类概率统计: count 42.000000 mean 0.995697 std 0.027805 min 0.819789 25% 1.000000 50% 1.000000 75% 1.000000 max 1.000000 Name: cluster_prob, dtype: float64 ✓ Step 3 完成，可以运行 Step 4 进程已结束，退出代码为 0 step4结果 C:\Users\admin\miniconda3\envs\ais_env\python.exe D:\file\ShipTrack\src\step4_detect.py ============================================================ Step 4: 异常检测 ============================================================ [1/5] 读取聚类数据: D:\file\ShipTrack\processed\clustered.parquet 数据: 42 行, 29 个MMSI [2/5] 检测跨模式语义冲突... 跨类型冲突异常: 0 个 反向跨类型冲突: 1 个 [3/5] 检测同类内部离群 (contamination=0.01)... [4/5] 生成异常报表... [5/5] 保存异常报表... ============================================================ 异常检测完成! ============================================================ 输出文件: D:\file\ShipTrack\results\anomalies.csv 总样本数: 42 异常样本数: 1 (2.38%) 异常类型分布: CrossTypeConflict_Reverse: 1 异常分数统计: count 1.0 mean 1.0 std NaN min 1.0 25% 1.0 50% 1.0 75% 1.0 max 1.0 Name: anomaly_score, dtype: float64 Top 5 异常案例: mmsi mmsi_mark inferred_label anomaly_reason anomaly_score 620992000 53 Inferred_TransportLike CrossTypeConflict_Reverse 1.0 ✓ Step 4 完成，所有处理步骤已完成！ 最终异常报表: D:\file\ShipTrack\results\anomalies.csv 进程已结束，退出代码为 0
最新发布
12-25
<think>我们分析一下每个步骤的结果： ### Step1: 数据预处理与质量控制 - 输入：原始数据`data.csv`，20831行，9列 - 处理过程： 1. 标准化列名（重命名） 2. 解析时间字段 3. 排序数据（按时间） 4. 基础质量控制（过滤掉无效数据，从20831行过滤到10127行，再通过计算相邻点特征后进一步过滤6行，剩余10121行） 5. 计算相邻点特征（如时间差、距离差、速度等） - 输出：清洗后的数据`clean_points.parquet`，10121行，涉及29个MMSI（船舶唯一标识），42个轨迹段（即每个MMSI可能有多个轨迹段） - 时间范围：2024-02-01 00:33:23 至 2024-04-23 05:31:17 ### Step2: 特征提取 - 输入：清洗后的数据（10121个点，42个轨迹段） - 处理过程：按每个轨迹段（mmsi_mark）计算特征 - 特征包括：平均速度（mean_speed）、弯曲度（sinuosity）、平均转向率（turn_rate_mean）、工作比（work_ratio）、总距离（total_dist_nm）等 - 输出：特征表`features.parquet`，42行（每个轨迹段一行），17列（特征） - 特征统计信息： - 平均速度：均值28.72节，标准差21.43，最小1节，最大60节（有速度限制？） - 弯曲度：均值4.02，标准差9.25，最小1（直线？），最大48.24（非常弯曲） - 平均转向率：均值13.76度/时间单位，标准差27.97，最小0，最大175.5 - 工作比：均值0.12，标准差0.27，最小0，最大1（工作比是指？） - 总距离：均值61.6海里，标准差252.4，最小0海里，最大1641.7海里（有0海里的轨迹？可能是静止点） ### Step3: 聚类推断行为类型 - 输入：特征数据（42个轨迹段） - 处理过程： 1. 规则识别静止段（这里识别出0个静止段） 2. 使用GMM（高斯混合模型）聚类，设置3个聚类中心 3. 分析聚类中心，并映射为语义标签 - 聚类结果： - Cluster 2 (5个)：平均速度6.77节，弯曲度1.28，平均转向率45.34，工作比0.82 -> 推断为“类似捕鱼行为”(FishingLike) - Cluster 0 (7个)：平均速度10.5节，弯曲度18.49，平均转向率8.02，工作比0.08 -> 推断为“其他工作”(OtherWork) - Cluster 1 (30个)：平均速度36.63节，弯曲度1.09，平均转向率9.84，工作比0.01 -> 推断为“类似运输行为”(TransportLike) - 行为类型分布： - 运输行为：30个（71.4%） - 其他工作：7个（16.7%） - 捕鱼行为：5个（11.9%） - 聚类概率很高（平均0.9957，最小0.8198），说明聚类效果较好。 ### Step4: 异常检测 - 输入：聚类后的数据（42个轨迹段） - 处理过程： 1. 检测跨模式语义冲突（例如，同一艘船在同一时间段有两种矛盾的行为类型）-> 发现0个冲突 2. 检测反向跨类型冲突（例如，本应运输却出现捕鱼行为）-> 发现1个 3. 同类内部离群点检测（使用contamination=0.01，即预期异常比例为1%）-> 没有报告具体数量，但最后异常样本总数为1 - 输出：异常报表`anomalies.csv` - 异常情况： - 总样本42个，异常样本1个（2.38%） - 异常类型：CrossTypeConflict_Reverse（反向跨类型冲突）1个 - 具体案例：mmsi=620992000，轨迹段标记53，推断为运输行为，但被标记为反向跨类型冲突。 ### 总结 整个流程从原始数据开始，经过清洗、特征提取、聚类和异常检测，最终发现了一个异常轨迹段。该异常轨迹段被推断为运输行为，但存在反向跨类型冲突（具体冲突定义需看代码逻辑，可能是根据船舶的通常行为模式判断，比如该船其他轨迹段都是捕鱼行为，而这段是运输行为，或者根据船舶类型信息）。 ### 建议 1. 对于异常案例，需要结合具体业务知识分析：该船（mmsi=620992000）通常是什么类型？这段异常轨迹段的具体特征（速度、路径）是否真的符合运输行为？还是聚类错误？ 2. 特征工程：工作比（work_ratio）的定义是什么？在聚类结果中，捕鱼行为的工作比很高（0.82），而运输行为的工作比很低（0.01），这个特征在区分行为类型时起到了关键作用。 3. 聚类数量：设定为3类，从结果看有较好的区分度。但可以考虑使用一些评估指标（如轮廓系数）来评估聚类效果。 §§相关问题§§: 1. 在轨迹数据处理中，常用的特征有哪些？ 2. 高斯混合模型（GMM）与K-Means聚类有何区别？ 3. 在异常检测中，如何定义“跨模式语义冲突”和“反向跨类型冲突”？ 4. 如何根据业务需求调整聚类数量？ </think> ### 结果分析 #### Step1: 数据预处理与质量控制 1. **输入数据**: - 原始数据: 20831行, 9列 - 列名标准化: 将latitude→lat, longitude→lon, acq_time→t 2. **清洗过程**: - 时间解析: 将acqtime转换为datetime对象 - 排序: 按时间排序 - 质量控制: - 基础QC过滤掉10704行（51.4%） - 高级QC（相邻点特征计算）过滤掉6行 3. **输出**: - 有效数据: 10121行（保留率48.6%） - 涉及29个MMSI（船舶ID）和42个轨迹段 - 时间范围: 2024-02-01至2024-04-23 #### Step2: 特征提取 1. **特征计算**: - 基于42个轨迹段计算17个特征 - 核心特征: - 平均速度(mean_speed): 28.72±21.43节 - 弯曲度(sinuosity): 4.02±9.25（路径弯曲程度） - 平均转向率(turn_rate_mean): 13.76±27.97度/单位时间 - 工作比(work_ratio): 0.12±0.27（有效运动比例） - 总距离(total_dist_nm): 61.61±252.41海里 2. **数据分布特点**: - 速度分布广泛(1-60节) - 弯曲度差异大(1-48)，表明部分轨迹非常曲折 - 工作比多为0（25%和50%分位都是0），说明多数轨迹无效运动多 #### Step3: 聚类分析 1. **聚类结果**: ```python # 聚类中心统计 cluster_id count mean_speed sinuosity turn_rate_mean work_ratio 2 5 6.7685 1.28311 45.337353 0.815557 0 7 10.4997 18.49429 8.021113 0.076327 1 30 36.6298 1.09386 9.840129 0.009575 ``` 2. **行为类型映射**: - Cluster 2 (5段): 低速(6.8节)、高转向率(45°)、高工作比(0.82) → **捕鱼行为** - Cluster 0 (7段): 中速(10.5节)、高弯曲度(18.5)、低工作比(0.08) → **其他作业** - Cluster 1 (30段): 高速(36.6节)、低弯曲度(1.09)、低工作比(0.01) → **运输行为** 3. **分布比例**: - 运输行为: 71.4% - 其他作业: 16.7% - 捕鱼行为: 11.9% #### Step4: 异常检测 1. **异常类型**: - 跨类型冲突: 0例 - **反向跨类型冲突: 1例** (MMSI: 620992000) 2. **异常特征**: - 被分类为运输行为但具有反向冲突特征 - 异常分数: 1.0 (最高异常级别) 3. **整体异常率**: 2.38% ### 关键发现与建议 1. **数据质量**: - 原始数据51.4%被过滤，建议检查过滤规则合理性 - 工作比中位数为0，表明大量无效运动数据 2. **行为模式**: - 运输行为占主导(71.4%)，符合商业航道特征 - 捕鱼行为特征鲜明：低速、高转向率、高工作比 3. **异常案例**: - MMSI 620992000被标记为异常运输行为 - **建议核查**: - 该船是否实际进行运输作业 - 轨迹数据是否包含定位错误 - 是否存在AIS设备欺骗行为 4. **聚类警告**: - KMeans内存泄漏警告(Windows/MKL环境) - **解决方案**: ```python import os os.environ["OMP_NUM_THREADS"] = "1" # 在导入sklearn前设置 ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值