DBSCAN 聚类算法又称为密度聚类，是一种不断发张下线而不断扩张的算法，主要的参数是半径r和k值
DBSCAN的几个概念：
核心对象：某个点的密度达到算法设定的阈值则其为核心点，核心点的意思就是一个点在半径r的范围内，如果存在k个值，那么这个点就成为核心对象
直接密度可达：若点p在q的邻域内，且q是核心，则p-q称为直接密度可达
密度可达：若有q1, q2...qk,对任意qi与qi-1是直接密度可达，从q1和qk则是密度可达
边界点： 属于一个类的非核心点，不能再发展下线
噪声点： 不属于任意一类簇的点，从一个核心点出发是密度不可达
工作流程
参数D：数据数据集
参数R：指定半径
Minpts：密度阈值
停止条件：所有的点都遍历结束后停止，即所有的点都不是核心点
第一步：标记所有的对象为未遍历的点
第二步：随机选择一个初始点
第三步：如果R的领域内，有k个点的话，就创建一个新簇，将p添加到这个簇里C
第四步：遍历这个簇里的p个点，如果p为unvisited标记为visited，把这些对象添加到N，如果p不是任何簇的成员，把p添加到C
第五步：如果存在任意点不属于任何一个簇，即为噪声点
第六步：直到遍历完所有的点
这是一种不断遍历和发展下线的过程
优势：
不需要指定簇的个数
可以发现任意形状的簇
擅长找到离群点
两个参数就够了
劣势：
高维数据有些困难（可以做降维）
参数难以选择（参数对结果的影响很大）
sklearn效率很慢（数据削减策略），由于数据量很大，我们可以去除一部分相似的数据
代码：使用sklearn中的DBSCAN进行计算，使用scatter_matrix进行画图
第一步：数据导入
第二步：特征提取
第三步：模型训练和测试
第四步：使用轮廓系数进行评估
第五步：使用scatter_matrix画出两两变量的散点图
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 第一步导入数据 data = pd.read_csv('data.txt', sep=' ') # 第二步提取特征 X = data[['calories', 'sodium', 'alcohol', 'cost']] # 设置颜色列表 colors = np.array(['red', 'blue', 'green', 'black']) from sklearn.cluster import DBSCAN from pandas.tools.plotting import scatter_matrix from sklearn.metrics import silhouette_score # 3.模型训练和测试 labels = DBSCAN(eps=10, min_samples=2).fit(X).labels_ # 4. 输出轮廓系数得分 score = silhouette_score(X, labels) # 5. 画scatter_matrix图 scatter_matrix(X, c=colors[labels], s=50, figsize=(10, 10)) plt.show()
