Python中怎么利用DBSCAN实现一个密度聚类算法,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
<>强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。
<中心>
<强>三、参数选择
上面提到了红色圆圈滚啊滚的过程,这个过程就包括了DBSCAN算法的两个参数,这两个参数比较难指定,公认的指定方法简单说一下:
半径:半径是最难指定的,,大了,圈住的就多了,簇的个数就少了,反之,簇的个数就多了,这对我们最后的结果是有影响的。我们这个时候K距离可以帮助我们来设定半径r,也就是要找到突变点,比如:,以上虽然是一个可取的方式,但是有时候比较麻烦,大部分还是都试一试进行观察,用K距离需要做大量实验来观察,很难一次性把这些值都选准。
MinPts:这个参数就是圈住的点的个数,也相当于是一个密度,一般这个值都是偏小一些,然后进行多次尝试
<强>四,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。
<中心>
网址:naftaliharris [1]
<中心>
设置好参数,点击走!就开始聚类了!
五、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ai，ai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：bi=min(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;
六、用Python实现DBSCAN聚类算法
导入数据：
import pandas as pd from sklearn.datasets import load_iris # 导入数据,sklearn自带鸢尾花数据集 iris = load_iris().data print(iris)
输出：
使用DBSCAN算法：
from sklearn.cluster import DBSCAN iris_db = DBSCAN(eps=0.6,min_samples=4).fit_predict(iris) # 设置半径为0.6，最小样本量为2，建模 db = DBSCAN(eps=10, min_samples=2).fit(iris) # 统计每一类的数量 counts = pd.value_counts(iris_db,sort=True) print(counts)
可视化：
import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = [u'Microsoft YaHei'] fig,ax = plt.subplots(1,2,figsize=(12,12)) # 画聚类后的结果 ax1 = ax[0] ax1.scatter(x=iris[:,0],y=iris[:,1],s=250,c=iris_db) ax1.set_title('DBSCAN聚类结果',fontsize=20) # 画真实数据结果 ax2 = ax[1] ax2.scatter(x=iris[:,0],y=iris[:,1],s=250,c=load_iris().target) ax2.set_title('真实分类',fontsize=20) plt.show()
