基于密度的聚类算法DBSCAN详解！

公众号：尤而小屋
编辑：Peter
作者：Peter

大家好，我是Peter~

今天给大家介绍基于密度的聚类算法DBSCAN，包含：

• DBSCAN算法定义
• sklearn.cluster.DBSCAN参数详解
• DBSCAN聚类实战
• DBSCAN聚类效果评估
• DBSCAN聚类可视化
• DBSCAN算法优缺点总结

https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html#sphx-glr-auto-examples-cluster-plot-cluster-comparison-py

1 DBSCAN定义

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的带有噪声的空间聚类应用）是一种基于密度的聚类算法。

密度聚类算法一般假定类别是可以通过样本分布的紧密程度来决定。同一个类别中，样本之间是紧密相连的，也就说通过将紧密相连的样本划分为一类，这样就生成了一个聚类类别。

关于DBSCAN到底是如何实现聚类的？

一个关键点：DBSCAN是基于一组邻域来描述样本集的紧密程度，参数$(ϵ,MinPts)$用来描述邻域的样本紧密程度。其中$ϵ$描述邻域半径，表示两个样本被视为相邻的最大距离；MinPts表示某一样本的距离为$ϵ$的邻域中样本个数的阈值。

DBSCAN的全称是Density-Based Spatial Clustering of Applications with Noise，中文意为“基于密度的带有噪声的空间聚类应用”。它能够通过样本点的密集区域识别出各个聚类簇，并且对噪声点具有很强的鲁棒性。以下是关于DBSCAN的相关介绍：

1. 核心思想：DBSCAN的核心在于基于样本点的密度进行聚类，即通过找出样本空间中密集的区域来进行簇的划分。
2. 算法参数：DBSCAN需要两个主要参数：邻域半径和最少点数目。只有当某点在其邻域内的点数大于或等于最少点数目时，该点才被视为核心点。
3. 点类别：DBSCAN中的点分为三类：核心点、边界点和噪声点。核心点是指那些在邻域内具有足够多的点的对象，边界点则是那些邻近核心点但自身不是核心点的点，而噪声点则既不是核心点也不是边界点
4. 点关系：DBSCAN中的点关系包括密度直达、密度可达和密度相连。这些关系定义了如何从一个核心点扩展至整个簇。

更多详细的定义请见：参考资料2

2 sklearn用法

2.1 参数

sklearn.cluster.DBSCAN的完整参数解释-参考资料1：

sklearn.cluster.DBSCAN(
    eps=0.5,  # 邻域半径；它表示两个样本被视为相邻的最大距离。较大的值会导致更多的簇，较小的值会导致更少的簇
    *,
    min_samples=5,  # 形成簇所需的最小样本数
    
    # euclidean-欧式距离；manhattan-曼哈顿距离；chebyshev-切比雪夫距离；minkowski-闵可夫斯基距离；
    # wminkowski-带权重闵可夫斯基距离；seuclidean-标准化欧式距离；mahalanobis-马氏距离
    metric='euclidean',  # 计算样本之间距离的度量方法；
    metric_params=None,  # 度量方法的其他参数
    algorithm='auto', # 用于计算最近邻的算法，默认'auto', ['auto'、'ball_tree'、'kd_tree'和'brute']
    leaf_size=30,  # 构建最近邻树时的叶子大小
    p=None,  # Minkowski距离的幂指数，默认值为None。当度量方法为'minkowski'时，该参数有效
    n_jobs=None,  # 并行计算的线程数，默认为None；若为-1，则使用所有可用的处理器
)

其中最主要的参数eps（对应$ϵ$）和Min_samples（对应$MinPts$）

2.2 属性

• core_sample_indices：核心店的index
• components：核心点的原始数据信息
• lables：每个样本的类别label，noise的label是-1

3 案例1

3.1 模拟数据

In [1]:

import numpy as np
import matplotlib.pyplot as plt

from sklearn.cluster import DBSCAN
from sklearn import metrics  # 评估指标

import warnings
warnings.filterwarnings("ignore")

In [2]:

X = np.array([[1, 2], 
              [2, 2], 
              [2, 3],
              [3, 5],
              [9, 7], 
              [8, 9], 
              [45,