Python中怎么利用DBSCAN實現一個密度聚類算法

Python中怎么利用DBSCAN實現一個密度聚類算法，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

基于密度這點有什么好處呢?

我們知道kmeans聚類算法只能處理球形的簇，也就是一個聚成實心的團(這是因為算法本身計算平均距離的局限)。但往往現實中還會有各種形狀，比如下面兩張圖，環形和不規則形，這個時候，那些傳統的聚類算法顯然就悲劇了。

于是就思考，樣本密度大的成一類唄，這就是DBSCAN聚類算法。

三、參數選擇

上面提到了紅色圓圈滾啊滾的過程，這個過程就包括了DBSCAN算法的兩個參數，這兩個參數比較難指定，公認的指定方法簡單說一下：

半徑：半徑是最難指定的  ，大了，圈住的就多了，簇的個數就少了;反之，簇的個數就多了，這對我們最后的結果是有影響的。我們這個時候K距離可以幫助我們來設定半徑r，也就是要找到突變點，比如：  以上雖然是一個可取的方式，但是有時候比較麻煩 ，大部分還是都試一試進行觀察，用k距離需要做大量實驗來觀察，很難一次性把這些值都選準。

MinPts:這個參數就是圈住的點的個數，也相當于是一個密度，一般這個值都是偏小一些，然后進行多次嘗試

四、DBSCAN算法迭代可視化展示

國外有一個特別有意思的網站，它可以把我們DBSCAN的迭代過程動態圖畫出來。

網址：naftaliharris[1]

設置好參數，點擊GO! 就開始聚類了!

五、常用評估方法：輪廓系數

這里提一下聚類算法中最常用的評估方法——輪廓系數(Silhouette Coefficient)：

計算樣本i到同簇其它樣本到平均距離ai，ai越小，說明樣本i越應該被聚類到該簇(將ai稱為樣本i到簇內不相似度);

計算樣本i到其它某簇Cj的所有樣本的平均距離bij，稱為樣本i與簇Cj的不相似度。定義為樣本i的簇間不相似度：bi=min(bi1,bi2,...,bik2);

說明：

• si接近1，則說明樣本i聚類合理;

• si接近-1，則說明樣本i更應該分類到另外的簇;

• 若si近似為0，則說明樣本i在兩個簇的邊界上;

六、用Python實現DBSCAN聚類算法

導入數據：

import pandas as pd from sklearn.datasets import load_iris # 導入數據,sklearn自帶鳶尾花數據集 iris = load_iris().data print(iris)

輸出：

使用DBSCAN算法：

from sklearn.cluster import DBSCAN  iris_db = DBSCAN(eps=0.6,min_samples=4).fit_predict(iris) # 設置半徑為0.6，最小樣本量為2，建模 db = DBSCAN(eps=10, min_samples=2).fit(iris)   # 統計每一類的數量 counts = pd.value_counts(iris_db,sort=True) print(counts)

可視化：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = [u'Microsoft YaHei']  fig,ax = plt.subplots(1,2,figsize=(12,12))  # 畫聚類后的結果 ax1 = ax[0] ax1.scatter(x=iris[:,0],y=iris[:,1],s=250,c=iris_db) ax1.set_title('DBSCAN聚類結果',fontsize=20)  # 畫真實數據結果 ax2 = ax[1] ax2.scatter(x=iris[:,0],y=iris[:,1],s=250,c=load_iris().target) ax2.set_title('真實分類',fontsize=20) plt.show()

我們可以從上面這個圖里觀察聚類效果的好壞，但是當數據量很大，或者指標很多的時候，觀察起來就會非常麻煩。

這時候可以使用輪廓系數來判定結果好壞，聚類結果的輪廓系數，定義為S，是該聚類是否合理、有效的度量。

聚類結果的輪廓系數的取值在[-1,1]之間，值越大，說明同類樣本相距越近，不同樣本相距越遠，則聚類效果越好。

輪廓系數以及其他的評價函數都定義在sklearn.metrics模塊中，在sklearn中函數silhouette_score()計算所有點的平均輪廓系數。

from sklearn import metrics   # 就是下面這個函數可以計算輪廓系數（sklearn真是一個強大的包） score = metrics.silhouette_score(iris,iris_db)  score

結果： 0.364

看完上述內容，你們掌握Python中怎么利用DBSCAN實現一個密度聚類算法的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！