DBSCAN算法简介

• DBSCAN（Density - Based Spatial Clustering of Applications with Noise）是一种无监督的、基于密度的空间聚类算法，在数据挖掘和机器学习领域应用广泛。

DBSCAN算法原理

核心概念

聚类过程

DBSCAN模型

模型API

主要参数

• eps（epsilon）：
  • 定义了邻域的半径。对于一个数据点，其邻域是以该点为中心，以 eps 为半径的超球体。该参数决定了数据点之间的密度度量范围。
  • 示例：如果将 eps 设置为 0.5，那么对于每个数据点，算法会考虑在距离该点 0.5 以内的其他点作为其邻域内的点。
  • 选择该参数时，需要根据数据的分布和规模来确定。如果数据点分布较为稀疏，eps 可能需要设置得较大；如果数据点分布密集，较小的 eps 可能更合适。
• min_samples（MinPts）：
  • 表示在一个数据点的 eps 邻域内所需的最小数据点数，以将该点视为核心点。
  • 例如，将 min_samples 设置为 5，意味着如果一个点的 eps 邻域内包含的点（包括自身）少于 5 个，它就不能成为核心点。
  • 一般来说，该参数需要根据数据集的规模和噪声情况来调整。在噪声较多的数据集中，可以适当提高 min_samples 以减少噪声对聚类的影响；对于小型数据集，可能需要降低该值以避免将过多的点标记为噪声。

其他参数

• metric：
  • 用于计算数据点之间距离的度量标准。常见的度量标准包括欧几里得距离（euclidean）、曼哈顿距离（manhattan）、余弦距离（cosine）等。
  • 示例：如果数据点表示文本的特征向量，使用余弦距离可能更合适，因为它考虑了向量的方向，而不是仅考虑欧几里得距离的大小，这样更能反映文本之间的相似性；对于普通的数值数据，欧几里得距离可能是一个不错的选择。
  • 选择合适的度量标准可以根据数据的特点和任务需求，不同的度量会导致不同的距离计算结果，进而影响聚类结果。
• algorithm：
  • 用于计算最近邻的算法，不同的算法在性能和适用场景上有所不同。
  • 例如，可选项可能包括 auto（根据数据集自动选择）、ball_tree（使用球树算法）、kd_tree（使用 k - d 树算法）、brute_force（暴力计算，适用于小型数据集）等。
  • 在选择算法时，对于低维数据和小型数据集，brute_force 可能足够快；对于高维数据，ball_tree 或 kd_tree 可能更高效，因为它们利用了数据的结构来加速最近邻搜索。

DBSCAN算法实例

对以下数据进行聚类处理

数据文件：通过网盘分享的文件：data.txt
链接: https://pan.baidu.com/s/19i7j4OttyWRkX13a7TXbRQ 提取码: hm1t
–来自百度网盘超级会员v2的分享

实例步骤

• 导入所需库
• 导入数据文件
• 传入变量
• DBSCAN聚类分析
• 添加结果进入原数据框
• 对聚类结果进行评分

导入所需库

import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn import metrics

所需库可自行下载

导入数据文件

#读取文件
beer = pd.read_table('data.txt',sep=' ',encoding='utf-8',engine='python')

传入变量

#传入变量(列名)
x = beer[["calories","sodium","alcohol","cost"]]

DBSCAN聚类分析

#DBSCAN聚类分析
"""
eps:半径
min samples:最小密度【就是圆内最少有几个样本点】
Labels:分类结果【自动分类，-1为离群点】
"""
db = DBSCAN(eps=20,min_samples=2).fit(x)
labels= db.labels_

添加数据进原数据框

#添加结果至原数据框
beer['cluster_db']=labels
beer.sort_values('cluster_db')

对聚类结果进行评分

#对聚类结果进行评分"""
metrics.silhouette_score轮廓评价函数，它是聚类模型优劣的一种评估方式，可用于对聚类结果进
X:数据集scaled_cluster:聚类结果
score:非标准化聚类结果的轮系数->聚类
"""
score = metrics.silhouette_score(x,beer.cluster_db)
print(score)

结果：