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:
- 核心点:在半径Eps内含有超过MinPts数目的点
- 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
- 噪音点: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)。
DBSCAN密度聚类
应用实例
案列来源
https://www.icourse163.org/course/BIT-1001872001
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,分析学生上网的模式
通过DBSCAN聚类,分析学生上网时间和上网时长的模式。
对数变换
import numpy as np
from sklearn.cluster import DBSCAN
from sklearn import metrics
import matplotlib.pyplot as plt
mac2id=dict()
onlinetimes=[]
f=open('学生月上网时间分布-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=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)
X = np.log(1+ real_X [:,1:])
db = DBSCAN(eps=0.14,min_samples=10).fit(X)
labels = db.labels_
print('Lables:')
print(labels)
raito=len(labels[labels[:]== -1])/len(labels)
print('Noise ratio:',format(raito, '.2%' ))
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0 )
print('Estimated numbre of clusters : %d'% n_clusters_)
print('Silhouette Coefficent : %0.3f'% metrics.silhouette_score(X,labels))
for i in range(n_clusters_):
print('Cluster',i)
count = len(X[labels==i])
mean = np.mean(real_X[labels ==i][:,1])
std = np.std(real_X[labels ==i][:,1])
print('\t number of sample :',count)
print('\t mean of sample :',format(mean,'.1f'))
print('\t std of sample :',format(std,'.1f'))