【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
  • 一、DBSCAN 相关概念
    • 核心概念图解
    • 核心术语详解
    • 算法实现流程
  • 二、DBSCAN 的 API
    • 核心参数说明
  • 三、案例分析
    • 1. 导入所需库
    • 2. 数据读取与标准化
    • 3. 数据准备
    • 4. DBSCAN 参数调优
    • 5. 确定最佳参数并输出结果
  • 总结
    • 关键参数调优建议

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

classsklearn.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

importpandasaspdfromsklearn.clusterimportDBSCANfromsklearn.preprocessingimportStandardScalerfromsklearn.metricsimportadjusted_rand_score,normalized_mutual_info_scoreimportnumpyasnp

2. 数据读取与标准化

# 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

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

# 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]forepsineps_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!=-1ifnp.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)/2scores.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

# 选择最佳 epsbest_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