1. 介绍
这篇英文博客写的老清楚了,传送门:https://medium.com/@reddyyashu20/density-based-spatial-clustering-of-applications-with-noise-dbscan-is-a-clustering-algorithm-that-89e00dec4800
简单翻译一下,DBSCAN全称是Density-Based Spatial Clustering Applications with Noise, 即带噪声的基于密度的空间聚类算法,顾名思义,把空间中密度高的点聚成一类,与密度低的那些点分离开来,DBSCAN算法不需要指定聚类的簇数 ,自己能够对任意形状的的空间点进行聚类。
算法工作需要定义两个参数,一个是epsilon,另一个是最小点的个数,epsilon定义了在每个点多大的邻域内进行搜索,是需要设置的一个邻域半径;而minPts最小点数指定了形成一个密集的区域最少要有多少点,点数少于minPts的那些点都认为是离群点或者噪声点。
2. 用法
from sklearn.cluster import DBSCAN
db_scan_model = DBSCAN(eps=0.2,min_samples=5)
labels = db_scan_model .fit_predict(person_point)
outlier_mask = labels == -1 #labels为-1的是噪声点,不属于任何聚类的一簇
dbscan模型把person_point这堆空间点进行聚类,labels打印如下,可以看到一共聚成了5类,值为-1的判断为噪声点:
3. 总结
优点:
- 与K-Means相比,不需要手动确定簇的个数K,但需要确定邻域r和密度阈值minPts
- 能发现任意形状的簇
- 能有效处理噪声点(邻域r和密度阈值minPts参数的设置可以影响噪声点)
缺点:
-
当数据量大时,处理速度慢,消耗大
-
当空间聚类的密度不均匀、聚类间距差相差很大时参数密度阈值minPts和邻域r参数选取困难
-
对于高维数据,容易产生“维数灾难”(聚类算法基于欧式距离的通病)
实际使用中,要根据自己的数据,多次进行两个阈值的调试,可视化效果,从而找到最优的阈值。