机器学习与深度学习 / 系统课时

使用 DBSCAN 聚类

使用 DBSCAN 聚类

学习目标

  • 理解核心点、边界点和噪声点
  • 使用 eps 与 min_samples 控制密度
  • 判断 DBSCAN 适合的数据结构

密度聚类的核心

DBSCAN 不要求预先指定簇数,而是寻找密度足够高的区域。若某个样本在半径 eps 内至少有 min_samples 个样本,它是核心点;核心点邻域内但自身密度不足的是边界点;无法连接到任何核心区域的样本被标记为噪声。

只要高密度区域能够通过核心点相互连接,就可以形成非球形簇。

运行一个带噪声示例

python
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
from sklearn.preprocessing import StandardScaler

X, _ = make_moons(
    n_samples=200,
    noise=0.06,
    random_state=42,
)
X_scaled = StandardScaler().fit_transform(X)

model = DBSCAN(eps=0.30, min_samples=5)
labels = model.fit_predict(X_scaled)

clusters = len(set(labels)) - (1 if -1 in labels else 0)
noise_points = int((labels == -1).sum())

print("簇数量:", clusters)
print("噪声点数量:", noise_points)
print("标签集合:", sorted(set(labels)))

预期结果:

text
通常识别出 2 个弯月形簇。
标签 -1 表示噪声点,噪声数量取决于参数与库版本。

标准化是必要步骤,否则较大尺度特征会主导邻域距离。

两个关键参数

eps 太小会把大量样本判为噪声,或把真实簇切碎;太大则可能把多个簇连在一起。min_samples 越大,对高密度的要求越严格。常见起点是让 min_samples 至少达到特征数的两倍附近,再结合 k 距离图调整 eps。

参数不能脱离业务尺度解释。若特征标准化方式改变,原来的 eps 通常也需要重新选择。

适用与局限

DBSCAN 适合任意形状簇、存在明显噪声、簇密度相近的数据。它对异常点具有天然识别能力,且不需要指定 K。

当不同簇密度差异很大时,一组全局参数难以同时覆盖所有簇;高维空间中距离趋于相似,密度判断也会变弱。此时可考虑降维、HDBSCAN 或其他专门方法。

调参验证顺序

先固定缩放方法和 min_samples,通过近邻距离分布估计 eps,再围绕候选值小范围比较。每组参数都记录簇数量、噪声比例、轮廓系数和簇画像。若只通过降低噪声比例选择参数,可能把原本不同的密度区域错误合并。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用 DBSCAN 聚类

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通