机器学习之DBSCAN算法自动分类
目录
1 DBSCAN算法
1.1 概念
DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的空间聚类应用）是一种基于密度的数据聚类算法。它的核心思想是：对于一个聚类而言，其中的任意两点都是“密度相连”的，也就是说，从这两点中的任何一个点出发，通过一定的邻域范围，都能找到另一个点。是一种基于密度的数据聚类算法。DBSCAN算法不需要预先指定簇的数量，能够识别出任意形状的簇，并且能够处理噪声和异常点。
1.2 关键概念：
- 核心点（Core Point）：在给定的邻域半径
ε内，如果一个点的邻域中至少要有MinPts个点，那么这个点就是核心点。 - 边界点（Border Point）：在给定的邻域半径
ε内，如果一个点的邻域中点的数量小于MinPts，但它落在某个核心点的邻域内，这个点就是边界点。 - 噪声点（Noise Point）：既不是核心点也不是边界点的点。
1.3 算法步骤：
- 初始化：将所有点标记为未访问。
- 寻找核心点：随机选择一个未访问的点
p，如果p是一个核心点，则开始一个新聚类。 - 扩展聚类：找出所有与
p密度相连的点，这些点形成一个聚类。这个过程中可能会发现更多的核心点，重复这一步直到没有新的核心点可以添加到当前聚类中。 - 标记噪声点：所有未标记为核心点或边界点的点被认为是噪声点。
- 重复：重复步骤2到4，直到所有点都被访问过。
1.4 函数和参数
- 函数导入
from sklearn.cluster import DBSCAN
- 主要参数
- ε（epsilon）：邻域半径。
即给定一个点，以这个点为中心，半径为eps的球体内包含的点是它的邻域。eps的大小决定了点与点之间被认为是密度相连的标准。如果eps太小，则许多点将被视为噪声或边界点；如果eps太大，则可能会导致多个簇合并成一个簇。 - min_samples（最小样本数）：用于确定一个点是否为核心点。一个点如果在其eps邻域内至少要有min_samples个点（包括这个点本身），则这个点是核心点。min_samples的大小影响了簇的密度。
- ε（epsilon）：邻域半径。
选择合适的eps和min_samples参数是DBSCAN算法成功的关键。
1.5 优缺点
- 优点：
- 不需要预先指定聚类个数。
- 可以发现任何形状的聚类。
- 能够识别出噪声点。
- 缺点：
- 对
ε和MinPts的选取敏感。 - 当聚类密度不均匀时，效果可能不佳。
- 对
DBSCAN算法在空间数据库和地理信息系统等领域有广泛的应用，因为它能够处理具有噪声和任意形状的数据集。在使用DBSCAN时，合理选择参数对于算法的性能至关重要。
2 实际测试
2.1 部分数据展示
对红酒类型进行分类
2.2 代码测试
明显可以看到，不同参数，结果不同
代码展示：
from sklearn.cluster import DBSCAN
import pandas as pd
from sklearn import metrics
beer = pd.read_table('data.txt',sep = ' ',encoding='utf-8',engine='python')
x = beer[['calories','sodium','alcohol','cost']]
db = DBSCAN(eps=20,min_samples=2).fit(x)
labels = db.labels_
beer['cluster_db'] = labels
beer.sort_values('cluster_db')
score = metrics.silhouette_score(x,beer.cluster_db)
print(f'eps=20,min_samples=2:{score}')
db = DBSCAN(eps=15,min_samples=2).fit(x)
labels = db.labels_
beer['cluster_db'] = labels
beer.sort_values('cluster_db')
score = metrics.silhouette_score(x,beer.cluster_db)
print(f'eps=20,min_samples=2:{score}')
运行结果：
调试查看分类情况
