機器學習-聚類分析之DBSCAN

DBSCAN聚類

DBSCAN官方文件：
https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html
GitHub文件地址：https://github.com/gao7025/cluster_dbscan.git

基本概念

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基於密度的聚類方法）是一種基於密度的空間聚類演算法。 該演算法將具有足夠密度的區域劃分為簇，並在具有噪聲的空間資料庫中發現任意形狀的簇，它將簇定義為密度相連的點的最大集合。

*class sklearn.cluster.DBSCAN(eps=0.5, , min_samples=5, metric=‘euclidean’, metric_params=None, algorithm=‘auto’, leaf_size=30, p=None, n_jobs=None)

DBSCAN演算法是一種基於密度的聚類演算法，其優勢是聚類的時候不需要預先指定簇的個數，其會根據設定的引數確定最終的聚類個數及形態，DBSCAN演算法將資料點分為三類：

• 核心點：在半徑Eps內含有超過MinPts數目的點。
• 邊界點：在半徑Eps內點的數量小於MinPts,但是落在核心點的鄰域內的點。
• 噪音點：既不是核心點也不是邊界點的點。

主要步驟

隨機取距離半徑eps=2，最小數量minpts=3為例

1. 對每個點計算其鄰域eps=2內點的集合
2. 集合內點的個數超過minpts=3的點為核心點，檢視剩餘點是否在核心點的領域內，若在則為邊界點，否則為噪聲點
3. 將距離不超過eps=2的點相互連線，構成一個簇，注意核心點領域內的點也要被加入到這個簇中

兩個引數的選擇

從聚類的過程看，選取的距離半徑和簇內最小數量兩個引數對結果影響很大，主要有兩個方法可以嘗試下：

1. 通過找到所有點中距離最大的進行分割確定距離半徑
2. 距離半徑和最小數量組合尋優

程式碼示例

def dbscan_clusters(X, y):
    np.random.seed(123)
    if y == 'y':
        scaler = MinMaxScaler()
        scaler.fit(X.astype(float))
        X = scaler.transform(X)
    dbs = DBSCAN(eps=0.5,  # 鄰域半徑
           min_samples=5,  # 最小樣本點數，MinPts
           metric='euclidean',
           metric_params=None,
           algorithm='auto',  # 'auto','ball_tree','kd_tree','brute',4個可選的引數 尋找最近鄰點的演算法
           leaf_size=10,  # balltree,cdtree的引數
           p=None,
           n_jobs=2)
    dbs.fit(X)
    return X, dbs

部分結果展示

詳細程式碼和資料見
https://github.com/gao7025/cluster_dbscan