文章目录
算法介绍
密度聚类是一种无监督学习的聚类方法,其目标是根据数据点的密度分布将它们分组成不同的簇。与传统的基于距离的聚类方法(如K均值)不同,密度聚类方法不需要预先指定簇的数量,而是通过发现数据点周围的密度高度来确定簇的形状和大小。我们基于DBSCAN算法来实现密度聚类。
DBSCAN 是基于一组邻域 参数 ( ϵ , M i n P t s ) (\epsilon,MinPts) (ϵ,MinPts)来刻画样本分布的紧密程度,给定数据集 D = { x 1 , x 2 , . . . , x m } D=\{x_1,x_2,...,x_m\} D={x1,x2,...,xm}定义以下几个概念:
- ϵ \epsilon ϵ-邻域:对 x j ∈ D x_j\in D xj∈D,其 ϵ \epsilon ϵ-邻域包含样本集 D D D中不大于 ϵ \epsilon ϵ的样本点,即 N ϵ ( x j ) = { x i ∈ D ∣ dist ( x i , x j ) ⩽ ϵ } N_\epsilon\left(\boldsymbol{x}_j\right)=\left\{\boldsymbol{x}_i \in D \mid \operatorname{dist}\left(\boldsymbol{x}_i, \boldsymbol{x}_j\right) \leqslant \epsilon\right\} Nϵ(xj)={xi∈D∣dist(xi,xj)⩽ϵ}。
- 核心对象:若 x j x_j xj的 ϵ \epsilon ϵ-邻域至少包含了 M i n P t s MinPts MinPts个样本,即 ∣ N ϵ ( x j ) ∣ ⩾ M i n P t s \left|N_\epsilon\left(\boldsymbol{x}_j\right)\right| \geqslant MinPts ∣Nϵ(xj)∣⩾MinPts,则 x j x_j xj是一个核心对象。
- 密度直达:若 x j x_j xj位于 x i x_i xi的 ϵ \epsilon ϵ-邻域中,且 x i x_i xi是核心对象,则称 x j x_j xj由 x i x_i xi密度直达。
- 密度可达:对 x i x_i xi与 x j x_j xj,若存在样本序列 p 1 , p 2 , . . . , p n p_1,p_2,...,p_n p1,p2,...,pn,其中 p 1 = x i p_1=x_i p1=xi, p n = x j p_n=x_j pn=xj且 p i + 1 p_{i+1} pi+1由 p i p_i pi密度直达,则称 x j x_j xj由 x i x_i xi密度可达。
- 密度相连:对 x i x_i xi与 x j x_j xj,若存在 x k x_k xk使得 x i x_i xi与 x j x_j xj均由 x k x_k xk密度可达,则称 x i x_i xi与 x j x_j xj密度相连。
故DBSCAN 算法将簇 定义为:由密度可达关系导出的最大密度相连的集合。于是,DBSCAN 算法先任选数据集中的一个核心对象为种子,由此出发确定相应的聚类簇,其算法流程图如下所示:
实验分析
数据集如下表所示:
读入数据集:
py
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data = pd.read_csv('data/4.0.csv')
定义距离函数:
py
# 定义距离函数
def distance(point1, point2):
return np.linalg.norm(point1 - point2)
ϵ \epsilon ϵ-邻域函数:
py
# 定义 epsilon-邻域 函数
def epsilon_neighborhood(point, epsilon, data):
neighbors = []
for i, other_point in enumerate(data):
if distance(point, other_point) <= epsilon:
neighbors.append(i)
return neighbors
定义核心对象判定函数:
py
# 定义核心对象判定函数
def is_core_object(point, epsilon, min_pts, data):
neighbors = epsilon_neighborhood(point, epsilon, data)
return len(neighbors) >= min_pts
定义 DBSCAN 算法:
py
def dbscan(data, epsilon, min_pts):
labels = [0] * len(data)
cluster_id = 0
for i, point in enumerate(data):
if labels[i] != 0:
continue
neighbors = epsilon_neighborhood(point, epsilon, data)
if len(neighbors) < min_pts:
labels[i] = -1 # 标记为噪声点
continue
cluster_id += 1
labels[i] = cluster_id
for neighbor in neighbors:
if labels[neighbor] == -1:
labels[neighbor] = cluster_id
if labels[neighbor] != 0:
continue
labels[neighbor] = cluster_id
other_neighbors = epsilon_neighborhood(data[neighbor], epsilon, data)
if len(other_neighbors) >= min_pts:
neighbors.extend(other_neighbors)
return labels
设置超参数:
py
# 设置 epsilon 和 min_pts 参数
epsilon_value = 0.1
min_pts_value = 4
执行DBSCAN算法并绘制结果:
py
# 执行 DBSCAN 算法
result_labels = dbscan(data.to_numpy(), epsilon_value, min_pts_value)
# 获取唯一的聚类标签
unique_labels = np.unique(result_labels)
# 绘制结果
plt.figure(figsize=(8, 8))
for label in unique_labels:
if label == -1:
plt.scatter(data['Density'][result_labels == label], data['Sugar inclusion rate'][result_labels == label],
c='gray', marker='o', edgecolors='black', s=70, label='Noise')
else:
plt.scatter(data['Density'][result_labels == label], data['Sugar inclusion rate'][result_labels == label],
label=f'Cluster {label}', marker='o', edgecolors='black', s=70)
plt.title('DBSCAN Clustering Result')
plt.xlabel('Density')
plt.ylabel('Sugar inclusion rate')
plt.legend()
plt.show()