Python机器学习应用-聚类之DBSCAN

DBSCAN密度聚类

DBSCAN算法是一种基于密度的聚类算法：

• 聚类的时候不需要预先指定簇的个数
• 最终的簇的个数不定

DBSCAN算法将数据点分为三类：

1. 核心点：在半径Eps内含有超过MinPts数目的点。
2. 边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内。
3. 噪声点：既不是核心点也不是边界点的点。
   

DBSCAN算法流程：

• 将所有点标记为核心点、边界点或噪声点；
• 删除噪声点；
• 为距离在Eps之内的所有核心点之间赋予一条边；
• 每组连通的核心点形成一个簇；
• 将每个边界点指派到一个与之关联的核心点的簇中（哪一个核心点的半径范围之内）。

举例：

DBSCAN的应用实例

数据介绍：

现有大学校园网的日志数据，290条大学生的校园网使用情况数据，数据包括用户ID，设备的MAC地址，IP地址，开始上网时间，停止上网时间，上网时长，校园网套餐等。利用已有数据，分析学生上网模式。

实验目的：

通过DBSCAN聚类，分析学生上网时间和上网时长的模式。

技术路线：

sklearn.cluster.DBSCAN

数据实例：

实验过程：

1. 建立工程，导入sklearn相关包
   import numpy as np
   from sklearn.cluster import DBSCAN

   DBCSAN主要参数：
   （1）eps：两个样本被看作邻居节点的最大距离
   （2）min_samples：簇的样本数
   （3）距离计算方式

2. 读入数据并进行处理
   

3. 上网时间聚类，创建DBSCAN算法实例，并进行训练，获取标签
   

4. 输出标签，查看结果
   

import numpy as np
import sklearn.cluster as skc
from sklearn import metrics
import matplotlib.pyplot as plt


mac2id=dict()
onlinetimes=[]
f=open('TestData.txt',encoding='utf-8')
for line in f:
    mac=line.split(',')[2]
    onlinetime=int(line.split(',')[6])
    starttime=int(line.split(',')[4].split(' ')[1].split(':')[0])
    if mac not in mac2id:
        mac2id[mac]=len(onlinetimes)
        onlinetimes.append((starttime,onlinetime))
    else:
        onlinetimes[mac2id[mac]]=[(starttime,onlinetime)]
real_X=np.array(onlinetimes).reshape((-1,2))

X=real_X[:,0:1]

db=skc.DBSCAN(eps=0.01,min_samples=20).fit(X)
labels = db.labels_

print('Labels:')
print(labels)
raito=len(labels[labels[:] == -1]) / len(labels)
print('Noise raito:',format(raito, '.2%'))

n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)

print('Estimated number of clusters: %d' % n_clusters_)
print("Silhouette Coefficient: %0.3f"% metrics.silhouette_score(X, labels))

for i in range(n_clusters_):
    print('Cluster ',i,':')
    print(list(X[labels == i].flatten()))

plt.hist(X,24)