miboraminima / st_dbscan_sa Goto Github PK

Il faut revoir les paramètres du stdbscan. Actuellement :

df_store <- expand.grid(
  minpts = seq(5, 30, 5),
  eps    = seq(1, 5, 0.75),
  eps2   = seq(30, 180, 30),
  id     = unique(df_clean$id)
)

On s'est dit que 5 mètres pour eps c'était ambitieux eu égard à la précision des GPS. Il y a une forte relation entre minpts et eps, il est important de la prendre en compte. eps2 doit être considéré comme un paramètre de discrétisation.

Actuellement, on est à 6 valeurs par paramètres, on peut bourrer dans la mesure où la parallélisation des CPUs permet de réduire considérablement le temps de calcul.

Il faut qu'on se mette d'accord sur les paramètres stat à utiliser pour évaluer les résultats. Actuellement, on a ça :

df_store %>%
  group_by(minpts, eps, eps2) %>%
  summarize(mean_f = mean(f_measure)) %>%
  arrange(desc(mean_f)) %>%
  head()

Je pense qu'on peut ajouter la médiane et l'écart-type. On aurait ainsi deux valeurs centrales + une de dispersion.

On doit faire des figures de validation pour la sélection des paramètres (eps, minpts et eps2).

Les boxplots semblent être une bonne solution dans la mesure où l'on peut rapidement estimer la variabilité associée à chaque paramètre ainsi que la tendance de la médiane.

Un scatter plot, genre (x=minpts, y=eps), pourrait également être envisagé afin de mettre en évidence la relation entre les deux paramètres.

Un nouveau script est requis pour ça.

Comme indiquer par Colin, il est préférable d'utiliser une valeur unique pour le filtre médian. On préserve ainsi la variabilité de l'échantillon afin que le modèle soit plus flexible au final. Une figure (y=dmed, x=distance) et des refs à la littérature sont attendues pour motiver le choix du seuil.

Il faut changer cette partie du code dans le fichier scripts/data_prep.r:

# Find threshold for each track. Using percentile. !!Arbitrary 95e pct!!
track_list <- unique(train_clean$id_trace)

clean_track <- list()
th_list <- list()
for (i in seq_along(track_list)) {
  lab_id <- track_list[i]

  # Compute threshold
  c_track <- train_clean[train_clean$id_trace == lab_id, ]
  q95 <- quantile(c_track$dmed, probs = c(.95))

  # Store data
  clean_track[[lab_id]] <- c_track[c_track$dmed < q95, ]
  th_list[[lab_id]] <- q95
}

# Stats desc on thresholds -> HIGH variability (very interesting for a critical
# analysis)
summarytools::descr(unlist(th_list))

# Merge all df
df_clean <- reshape::merge_all(clean_track)

# Show how many pings have been removed
n_rem <- nrow(train_clean) - nrow(df_clean)
pct_rem <- (n_rem / nrow(df_clean)) * 100
sprintf(
  "%s (%s %% of total) pings removed using 95e pct for each track",
  n_rem, round(pct_rem)
)

Discussed in #2

Discussed in #5