人工智能——DBSCAN 聚类算法-CSDN博客

本文链接：https://blog.csdn.net/weixin_55874238/article/details/147653058

摘要

本章实现的工作是：首先导入100位学生的数学成绩、英语成绩，然后建立 DBSCAN 模型，配置模型参数，对样本数据进行聚类，得到学生聚类后的类别数和每个学生的标签值，最后将聚类结果可视化。

本章掌握的技能是：1、使用 DBSCAN 函数实现数据聚类。2、使用 matplotlib 库实现数据的可视化，绘制图形。

17 DBSCAN 聚类算法

17.1 本章工作任务

采用 DBSCAN 聚类算法编写程序，依据100名学生的数学成绩、英语成绩对学生进行聚类。1、算法的输入是：100位学生的数学成绩、英语成绩。2、DBSCAN 求解前需要配置的模型参数是：半径和最小样本数。3、算法的结果是：学生聚类后的标签值、不同标签值的个数。

17.2 本章技能目标

掌握 DBSCAN 聚类算法原理。

掌握 DBSCAN 算法启动前的配置方法。

使用 DBSCAN 算法实现聚类。

掌握 DBSCAN 聚类结果可视化的方法。

17.3 本章简介

DBSCAN 算法是指：一种基于数据空间密度的聚类算法，该算法将样本空间内具有足够密度的样本点聚成一类，聚类前不需要指定聚类数量，算法会基于数据密度分布特点推断出聚类数量。例如，如果样本点A属于类别C1，且在样本点A周围半径为epsilon的空间中，其他样本点的数量M大于算法运行前配置的最小样本点数量minPoints，则认为M个样本点与样本点A都属于类别C1。

DBSCAN 算法可以解决的实际应用问题是：已知体育课上自由活动的学生坐标，用 DBSCAN 算法对这些学生进行聚类，聚类后的同一类学生呈现出共同特征。已知一个班上所有学生的数学成绩、英语成绩，用 DBSCAN 算法对学生成绩聚类，得到理科生、文科生、综合生3种学生类别。

本章的重点是：DBSCAN 算法的理解和使用。

17.4 编程实战

步骤1 引入外部包。引入numpy包、matplotlib.pyplot包，pandas包，将它们分别命名为np，plt，pd。引入os模块，引入sklearn系列包，其中sklearn.cluster是密度聚类包，sklearn.preprocessing是预处理数据包。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import os
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.preprocessing import StandardScaler

步骤2 将当前文件所在目录的路径设置为Python的当前工作目录。

thisFilePath = os.path.abspath('.')
os.chdir(thisFilePath)
os.getcwd()




输出结果：
'D:\\MyPythonFiles’

步骤3 pd.read_csv 函数用于读取存储学生成绩的文件，usecols 参数用于选取文件中指定的数据列，type 函数用于返回文件的类型，head 函数用于查看数据前5行。

clusterData = pd.read_csv('mydata.csv', usecols = ['yingyu', 'shuxue', 'class'])
type(clusterData)
clusterData.head(5)

输出结果：

步骤4 提取训练集。提取前2列数据并转换为矩阵(数据结构为mat)，提取前3列(列号为2)数据并转换为数组(数据结构为ndarray)。其中，iloc 函数有两个参数，分别是行号和列号。

DB_matrix = np.mat(clusterData.iloc[:, 0:2])
DB_labels_true = np.array(clusterData.iloc[:, 2])

步骤5 建立 DBSCAN 模型进行聚类，给每个样本产生聚类标签。

DB_model = DBSCAN(eps = 6, min_samples = 10).fit(DB_matrix)
DB_labels = DB_model.labels_

core_samples_mask = np.zeros_like(DB_labels, dtype=bool)
core_samples_mask[DB_model.core_sample_indices_] = True

DB_n_clusters_ = len(set(DB_labels)) - (1 if -1 in DB_labels else 0)

步骤6 显示聚类后不同类别的总数量。

print("一共分为：%d" % DB_n_clusters_, "类")




输出结果：

一共分为：5类

步骤7 将聚类结果可视化。

import matplotlib.pyplot as plt

unique_DB_labels = set(DB_labels)
colors = [plt.cm.Spectral(each) for each in np.linspace(0,0.5,len(unique_DB_labels))]

for k, col in zip(unique_DB_labels, colors):
    if k == -1:
        col = [0, 0, 0, 1]
    class_member_mask = (DB_labels == k)
    xy = DB_matrix[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor = tuple(col),
            markeredgecolor = 'k', markersize = 14)
    xy = DB_matrix[class_member_mask & ~core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor = tuple(col),
            markeredgecolor = 'k', markersize = 6)
plt.title('Estimated number of clusters: %d' % DB_n_clusters_)
plt.show()

输出结果：

步骤8 对比样本的原始分类标签值与聚类算法预测的标签值。

dbscan_labels = pd.DataFrame(DB_labels, index=clusterData.index, columns = ['dbscan-clusterResult'])
clusterData_merge = pd.merge(clusterData, dbscan_labels + 1, right_index = True, left_index = True)

clusterData_merge.head(5)

输出结果：