【机器学习】DBSCAN聚类算法——原理、参数调优与实战

DBSCAN聚类算法:从原理到参数调优实战

简介

本次我们将聚焦于一款极具特色的聚类算法------DBSCAN。相较于 K-means 等需要预先指定簇数量的算法,DBSCAN 以其"无监督自适应"的特性,在聚类领域占据着不可替代的地位。

在这一课中,我们会深入剖析 DBSCAN 算法的核心原理。你将了解到它如何通过"密度可达"和"核心对象"等关键概念,自动发现数据集中任意形状的簇,还能识别出那些不属于任何簇的噪声点。这一特性让它在处理非凸形状、存在噪声的数据时,展现出远超传统聚类算法的优势。

一、DBSCAN 相关概念

核心概念图解

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的空间聚类算法。它将簇定义为密度相连的点的最大集合,能够将具有足够高密度的区域划分为簇,并在噪声数据中发现任意形状的聚类。

核心术语详解

术语 定义
核心对象(Core Point) 如果某个点的 Eps 邻域内包含的样本数量 ≥ MinPts,则该点为核心对象
Eps 邻域 给定对象半径 Eps 内的区域,即以该点为中心、Eps 为半径的圆形区域
直接密度可达 如果点 p 在点 q 的 Eps 邻域内,且 q 是核心对象,则称 p 从 q 直接密度可达
密度可达 存在一个点链 p₁, p₂, ..., pₙ,使得每个点都从上一个点直接密度可达
边界点(Border Point) 在某个簇内,但自身不是核心对象的点
离群点(Outlier / Noise) 既不是核心对象也不是边界点,不属于任何簇的点

算法实现流程

  1. 输入数据集
  2. 指定半径 Eps
  3. 指定密度阈值 MinPts
  4. 遍历所有点,标记核心对象
  5. 对每个核心对象,找出其密度可达的所有点,形成簇
  6. 将不在任何簇中的点标记为噪声

二、DBSCAN 的 API

python 复制代码
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
)

核心参数说明

参数 说明
eps 邻域半径,决定了一个点的邻域范围,默认 0.5
min_samples 构成核心点所需的最少样本数(密度阈值),默认 5
metric 距离度量方式,默认 'euclidean'(欧氏距离)
metric_params 度量函数的额外参数,默认 None
algorithm 近邻搜索算法,'auto' 表示自动选择(ball_tree / kd_tree / brute)
leaf_size 构建 BallTree 或 KDTree 时的叶子节点大小,默认 30
p 闵可夫斯基距离的阶数(p=2 为欧氏距离,p=1 为曼哈顿距离)
n_jobs 并行计算的 CPU 核心数,-1 表示使用所有核心

三、案例分析

1. 导入所需库

python 复制代码
import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import adjusted_rand_score, normalized_mutual_info_score
import numpy as np

2. 数据读取与标准化

python 复制代码
# 读取训练集和测试集数据
data_train = pd.read_csv("datingTestSet2.txt", sep='\t', encoding='utf-8', engine='python', header=None)
data_test = pd.read_csv("datingTestSet1.txt", sep='\t', encoding='utf-8', engine='python', header=None)

# 标准化处理(DBSCAN 基于距离,必须进行标准化)
scaler = StandardScaler()
data_train.iloc[:, :-1] = scaler.fit_transform(data_train.iloc[:, :-1])
data_test.iloc[:, :-1] = scaler.transform(data_test.iloc[:, :-1])

3. 数据准备

python 复制代码
x_train = data_train.iloc[:, :-1]   # 训练集特征
x_test = data_test.iloc[:, :-1]     # 测试集特征
y_train_true = data_train.iloc[:, -1]  # 训练集真实标签
y_test_true = data_test.iloc[:, -1]    # 测试集真实标签

4. DBSCAN 参数调优

python 复制代码
# 测试不同的 eps 参数
scores = []
eps_param_range = [0.09, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6]

for eps in eps_param_range:
    dbscan = DBSCAN(eps=eps, min_samples=2)
    train_labels = dbscan.fit_predict(x_train)
    
    # 忽略噪声点(标签为 -1)进行评估
    mask = train_labels != -1
    if np.sum(mask) > 0:
        ari = adjusted_rand_score(y_train_true[mask], train_labels[mask])
        nmi = normalized_mutual_info_score(y_train_true[mask], train_labels[mask])
        score_mean = (ari + nmi) / 2
        scores.append(score_mean)
        print(f"eps = {eps},平均得分 (ARI+NMI)/2 = {score_mean:.4f}")
    else:
        print(f"eps = {eps},所有样本均被标记为噪声")
        scores.append(-1)

5. 确定最佳参数并输出结果

python 复制代码
# 选择最佳 eps
best_eps = eps_param_range[np.argmax(scores)]
print(f"最优 eps 参数:{best_eps}")

# 使用最佳参数重新训练
best_dbscan = DBSCAN(eps=best_eps, min_samples=2)
train_labels = best_dbscan.fit_predict(x_train)
print("训练集聚类标签:\n", train_labels)

# 对测试集进行聚类
test_labels = best_dbscan.fit_predict(x_test)
print("测试集聚类标签:\n", test_labels)

总结

DBSCAN 的优势

无需预先指定簇数量:自动发现数据中的聚类结构

可发现任意形状的簇:不同于 K-means 只能发现球形簇

具有噪声过滤能力:能自动识别并剔除离群点

关键参数调优建议

参数 调优方法
eps 使用 k-distance 图辅助确定;或通过网格搜索结合评估指标选择
min_samples 一般取数据维度的 2 倍或更大;数据量较大时可适当增加
相关推荐
网易云信1 小时前
折叠屏适配,iPhone Duo 真机已交付:网易云信 IMUIKit Swift 的实践
人工智能
东莞市云毅网络有限公司2 小时前
用 Playwright 搭一套问答平台引用监测的最小骨架
python·数据清洗·rag·企业知识库·文档解析
Thanks_ks2 小时前
【第 010 讲】全面掌握 Python 变量与常量:变量的定义与赋值 | 标识符与命名规范 | 变量的底层机制 | 常量与魔术数字
python·内存·变量·标识符·常量·赋值·命名规范
kyle~2 小时前
模型预测控制(MPC)
算法·机器人·控制·传感器
Be for thing2 小时前
Pytorch【12】transforms进阶|图像数据增强实战,提升模型泛化能力
人工智能·pytorch·机器学习
十有八七2 小时前
手搓 Agent(一):先有大脑——大模型只会做一件事
前端·人工智能·后端
锋行天下2 小时前
「踩坑实录」给 LangGraph Agent 接两个 FastMCP,我被 langchain 偷偷改了工具名
前端·人工智能·后端
阿里云大数据AI技术2 小时前
穹彻智能 × MaxCompute:具身智能 UMI 数据产线的全模态计算实践
人工智能
联犀2 小时前
ai时代复杂项目的golang项目如何更好的与ai共舞:monorepo+gozero
开发语言·人工智能·golang
飞Link3 小时前
灵巧手是什么?从机械结构、驱动方式到控制原理,认识机器人的精细操作能力
人工智能·python·机器人