DBSCAN 是一种非常著名的基于密度的聚类算法。其英文全称是 Density-Based Spatial Clustering of Applications with Noise意即一种基于密度对噪声鲁棒的空间聚类算法。直观效果上看DBSCAN 算法可以找到样本点的全部密集区域并把这些密集区域当做一个一个的聚类簇。DBSCAN 算法具有以下特点基于密度对远离密度核心的噪声点鲁棒无需知道聚类簇的数量可以发现任意形状的聚类簇1.基本概念1.1. 核心思想核心思想是基于密度。直观效果上看DBSCAN算法可以找到样本点的全部密集区域并把这些密集区域当做一个一个的聚类簇。1.2. 算法参数邻域半径R和最少点数目MinPoints。这两个算法参数实际可以刻画什么叫密集当邻域半径R内的点的个数大于最少点数目MinPoints时就是密集。1.3. 3种点的类别核心点边界点和噪声点。邻域半径R内样本点的数量大于等于minpoints的点叫做核心点。不属于核心点但在某个核心点的邻域内的点叫做边界点。既不是核心点也不是边界点的是噪声点。1.4. 4种点的关系密度直达密度可达密度相连非密度相连。如果P为核心点Q在P的R邻域内那么称P到Q密度直达。任何核心点到其自身密度直达密度直达不具有对称性如果P到Q密度可达那么Q到P不一定密度可达。如果存在核心点且P1到P2密度直达P2到P3密度直达……P(n-1)到Pn密度直达Pn到Q密度直达则P1到Q密度可达。密度可达也不具有对称性。如果存在核心点S使得S到P和Q都密度可达则P和Q密度相连。密度相连具有对称性如果P和Q密度相连那么Q和P也一定密度相连。密度相连的两个点属于同一个聚类簇。如果两个点不属于密度相连关系则两个点非密度相连。非密度相连的两个点属于不同的聚类簇或者其中存在噪声点。2. 算法步骤上面这些点是分布在样本空间的众多样本现在我们的目标是把这些在样本空间中距离相近的聚成一类。我们发现A点附近的点密度较大红色的圆圈根据一定的规则在这里滚啊滚最终收纳了A附近的5个点标记为红色也就是定为同一个簇。其它没有被收纳的根据一样的规则成簇。形象来说我们可以认为这是系统在众多样本点中随机选中一个围绕这个被选中的样本点画一个圆规定这个圆的半径以及圆内最少包含的样本点如果在指定半径内有足够多的样本点在内那么这个圆圈的圆心就转移到这个内部样本点继续去圈附近其它的样本点类似传销一样继续去发展下线。等到这个滚来滚去的圈发现所圈住的样本点数量少于预先指定的值就停止了。那么我们称最开始那个点为核心点如A停下来的那个点为边界点如B、C没得滚的那个点为离群点如N。基于密度这点有什么好处呢我们知道kmeans聚类算法只能处理球形的簇也就是一个聚成实心的团这是因为算法本身计算平均距离的局限。但往往现实中还会有各种形状比如下面两张图环形和不规则形这个时候那些传统的聚类算法显然就悲剧了。于是就思考样本密度大的成一类呗这就是DBSCAN聚类算法。2.1. 寻找核心点形成临时聚类簇扫描全部样本点如果某个样本点R半径范围内点数目MinPoints则将其纳入核心点列表并将其密度直达的点形成对应的临时聚类簇。2.2. 合并临时聚类簇得到聚类簇对于每一个临时聚类簇检查其中的点是否为核心点如果是将该点对应的临时聚类簇和当前临时聚类簇合并得到新的临时聚类簇。重复此操作直到当前临时聚类簇中的每一个点要么不在核心点列表要么其密度直达的点都已经在该临时聚类簇该临时聚类簇升级成为聚类簇。继续对剩余的临时聚类簇进行相同的合并操作直到全部临时聚类簇被处理。3.DBSCAN算法迭代可视化展示国外有一个特别有意思的网站它可以把我们DBSCAN的迭代过程动态图画出来。网址Visualizing DBSCAN Clustering设置好参数点击GO! 就开始聚类了还有其他的聚类实例聚类1聚类24. 常用评估方法轮廓系数这里提一下聚类算法中最常用的评估方法——轮廓系数Silhouette Coefficient计算样本i到同簇其它样本到平均距离aiai越小说明样本i越应该被聚类到该簇将ai称为样本i到簇内不相似度计算样本i到其它某簇Cj的所有样本的平均距离bij称为样本i与簇Cj的不相似度。定义为样本i的簇间不相似度bimin(bi1,bi2,...,bik2)说明si接近1则说明样本i聚类合理si接近-1则说明样本i更应该分类到另外的簇若si近似为0则说明样本i在两个簇的边界上5. sklearn调用范例5.1. 生成样本点# matplotlib inline # config InlineBackend.figure_format svg import numpy as np import pandas as pd from sklearn import datasets X, _ datasets.make_moons(500,noise 0.1,random_state1) df pd.DataFrame(X,columns [feature1,feature2]) df.plot.scatter(feature1,feature2, s 100,alpha 0.6, title dataset by make_moon);5.2. 调用dbscan方法完成聚类# matplotlib inline # config InlineBackend.figure_format svg from sklearn.cluster import dbscan # eps为邻域半径min_samples为最少点数目 core_samples,cluster_ids dbscan(X, eps 0.2, min_samples20) # cluster_ids中-1表示对应的点为噪声点 df pd.DataFrame(np.c_[X,cluster_ids],columns [feature1,feature2,cluster_id]) df[cluster_id] df[cluster_id].astype(i2) df.plot.scatter(feature1,feature2, s 100, c list(df[cluster_id]),cmap rainbow,colorbar False, alpha 0.6,title sklearn DBSCAN cluster result);参考文献20分钟学会DBSCAN - 知乎【他山之石】DBSCAN密度聚类算法理论图解python代码