DBSCAN聚类算法实用案例

1、DBSCAN算法介绍

下图中，左边的图形可以使用K-Means算法进行聚类，右边两个有交叉部分【噪音】，故需要使用密度聚类(DBSCAN)算法

K-Means和层次聚类算法，是基于对象之间的距离进行聚类，这样的方法只能发现球状的簇，【密度聚类】只要临近区域的密度，对象或数据点的数目超过某个阈值就继续聚类，也就是说它会继续搜索自己附近的点或者簇，将符合阈值的合并在一起，这样【密度聚类方法】就可以用于过滤噪声，孤立点数据，发现任意形状的簇。

• 密度
• 邻域
• 核心点
• 边界点
• 噪声点

4、DBSCAN 的参数选择

• eps 设置得非常小，则意味着没有点是核心样本，可能会导致所有点被标记为噪声
• eps 设置得非常大，可能会导致所有点形成单个簇。
• 虽然不需要显示设置簇的个数，但设置 eps 可以隐式地控制找到 eps 的个数。
• 使用 StandarScaler 或 MinMaxScaler 对数据进行缩放，有时更容易找到 eps 的较好取值。因为使用缩放技术将确保所有特征具有相似的范围。
  

属于簇的点是实心，噪声点则显示为空心，核心样本点显示为较大的标记，而边界点则显示为较小的标记.png

from sklearn.cluster import DBSCAN
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import mglearn

X,y=make_blobs(random_state=0,n_samples=12)
dbscan=DBSCAN()
clusters=dbscan.fit_predict(X)
# 都被标记为噪声
print('Cluster memberships:\n{}'.format(clusters))
mglearn.plots.plot_dbscan()

plt.show()

5、Scikit-learn中的DBSCAN的使用

def __init__(self, eps=0.5, min_samples=5, metric='euclidean',
                 metric_params=None, algorithm='auto', leaf_size=30, p=None,
                 n_jobs=1):

核心参数：

• eps: float，ϵ-邻域的距离阈值
• min_samples ：int，样本点要成为核心对象所需要的 ϵ-邻域的样本数阈值

属性：

• core_sample_indices_ : 核心点的索引，因为labels_不能区分核心点还是边界点，所以需要用这个索引确定核心点
• components_：训练样本的核心点
• labels_：每个点所属集群的标签，-1代表噪声点

参考链接：
[1] DBSCAN 算法 2019.1