DBSCAN算法_dbscan怎么预测

1、DBSCAN概念

基于密度的带噪声的空间聚类应用算法，它是将簇定义为密度相连的点的大集合，能够把足够高密度的区域划分为簇，并且可在噪声的空间数据集中发现任意形状的聚类。

2、密度聚类和距离聚类

密度聚类：只要临近区域的密度、对象、或者数据点的数目超过耨个阈值，就继续聚类，可以根据与周伟特点进行聚类
kmeans和分层聚类都是基于距离进行聚类，只能发现球状的簇，五发现其他形式的簇

3、其他概念

• 01密度：空间中任意一点的密度是以该点为圆形，以Eps为半径的圆区域内包含的点数目。
• 02 领域： 空间中任意一点的领域是以该点为圆心、以Eps为半径的圆区域内包含的点数目。
• 03 核心点：空间某一点的密度，如果大于某一给定阈值MInPts，则称为边界点。
• 04 噪声点：数据集中不属于核心点，也不属于边界点的点，也就是密度值为1的点

4、聚类方法

model=sklearn.cluster.DBSCAN(eps,min_samples)
eps 领域的大小，使用圆的半径表示
min_samples 点的个数的阈值
model.fit_predict(data)
data 数据
训练模型并且进行预测的方法
1
2
3
4
5
6

5、案例

2.1 示例
核心参数
def init(self, eps=0.5, min_samples=5, metric=‘euclidean’,
metric_params=None, algorithm=‘auto’, leaf_size=30, p=None,
n_jobs=1):
metric 可指定计算距离的方式
返回值
core_sample_indices_ : 核心点的索引，因为labels_不能区分核心点还是边界点，所以需要用这个索引确定核心点
components_：训练样本的核心点
labels_：每个点所属集群的标签，-1代表噪声点

import numpy as np
from sklearn.cluster import DBSCAN

X = np.array([[1, 2], [2, 2], [2, 3], [-25, -80],
             [8, 7], [8, 8], [25, 80], [6, 8]])
clustering = DBSCAN(eps=3, min_samples=2).fit(X)
print(clustering.labels_)       # [ 0  0  0 -1  1  1 -1  1]     异常点被标记为-1

index = clustering.core_sample_indices_     # 核心对象的下标
print(index)                    # [0 1 2 4 5 7]

core_sample = X[index]      # 核心对象
print(core_sample)
# [[1 2]
#  [2 2]
#  [2 3]
#  [8 7]
#  [8 8]
#  [6 8]]

print(clustering.components_)   # 核心对象，同上
# [[1 2]
#  [2 2]
#  [2 3]
#  [8 7]
#  [8 8]
#  [6 8]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

2.2 导入数据
我们对data的分布用seaborn进行查看。

#!/usr/bin/python
# -*- coding:utf-8 -*-
import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn import metrics
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_csv('hql_sql.csv', header=None)
data.columns=['x','y']
sns.relplot(x="x",y="y",data=data)
plt.show()
1
2
3
4
5
6
7
8
9
10
11

建立一个简单的模型

db = DBSCAN(eps=0.5, min_samples=3).fit(data) #DBSCAN聚类方法 还有参数，matric = ""距离计算方法
data['labels'] = db.labels_ #和X同一个维度，labels对应索引序号的值 为她所在簇的序号。若簇编号为-1，表示为噪声，我们把标签放回到data数据集中方便画图
labels = db.labels_
raito = data.loc[data['labels']==-1].x.count()/data.x.count() #labels=-1的个数除以总数，计算噪声点个数占总数的比例
print('噪声比:' + format(raito, '.2%')) #噪声比，噪声比越小越好
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) # 获取分簇的数目
print('分簇的数目: %d' % n_clusters_)
print("轮廓系数: %0.3f" % metrics.silhouette_score(data, labels)) #轮廓系数评价聚类的好坏=>此系数评价聚类的好坏，值越大越好，值越大
sns.relplot(x="x",y="y", hue="labels",data=data)
plt.show()
1
2
3
4
5
6
7
8
9
10

参考资料：
官网:https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html　　
DBSCAN密度聚类算法:https://www.cnblogs.com/pinard/p/6208966.html　　
用scikit-learn学习DBSCAN聚类:https://www.cnblogs.com/pinard/p/6217852.html　　
详解DBSCAN聚类:https://zhuanlan.zhihu.com/p/185623849
DBSCAN 算法:https://www.jianshu.com/p/e594c2ce0ac0