密度聚类 PYTHON练习 密度聚类算法应用

DBSCAN算法简述：

为什么出现DBSCAN算法？

　　当大家一说起聚类算法时候，最先想到的估计就是K-Means或Mean-Shift算法了。但是，K-Means和Mean-Shift算法是通过距离聚类的方式来进行判别，需要设定类别参数，同时聚类的结果都是球状的簇。如果是非球状的分布结构，那么K-Means算法效果并不好。非球状结构的分布如下：

　　像上述这样的分布结构，如果使用K-Means算法的话，聚类效果将会很差。那么这个时候DBSCAN算法就横空出世来解决这些问题。

　　简单点说基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)是一种基于密度的空间策略来进行聚类。通过初始化邻域半径$ϵ$与最小点集个数$Minpts$设定，来进行条件判断(核心点、边界点、噪音点等)迭代进行聚类。

DBSCAN算法原理：

　　1 首先初始化DBSCAN算法的两个参数：邻域半径与最小点集个数的参数设定；

　　2 选择一个初始点，判断是否是核心点，对于每一个核心点：选择一个未处理过的核心点，通过密度可达的原理对样本进行聚类生成簇。

　　3 迭代重复以上的步骤直达所有的核心点都处理结束。

推荐一个DBSCAN算法动态显示聚类过程网站：传送门。

解释关于DBSCAN算法相关名词定义：

Figure 1 核心点与边界点相关解释

$ϵ$邻域与$Minpts$：

$ϵ$代表判断该点是不是核心点的密度半径，$Min-pts$为在判断该点为中心，半径为$ϵ$的点集个数判断指标。

核心点：

$ϵ=2$同时$Minpts=3$时候，那么以上图红色的小方块为例：以它为圆心，半径为3的圆区域发现它的点数($>Minpts$)大于3，即红色小方块为核心点。

边界点：

　　我们发现红色如果以红色小方块邻域的三个蓝色圆心，继续以它们为中心，半径为3的区域内并没有超过三个点，但是它们在红色小方块为核心点的区域内，那么它们属于边界点。

噪音点：

　　噪音点就是既不是核心点也不是边界点的第三种情况。

下面在解释密度直达、密度可达、密度相连的相关定义，首先看下示意图2如下：

Figure 2 密度直达 密度可达 密度相连示意图 图片来自于知乎作者：传送门

$p$为边缘点，$q$为核心点，$r$为噪音点。

密度直达：

$p$是由样本点$q$对于参数$\{ϵ，Minpts\}$密度直达，满足条件为$q$是核心点同时$p$点在以$q$为核心点的圆区域内。显示示意图(b)

密度可达：

$p_1,p_2,...,p_n$(其中$p_1=q$, $p_n=p$)使得$p_{i+1}$可由样本点$p_i$密度直达，那么样本点$p$可由样本点$q$密度可达。示意图（c）

密度相连：

$o$对于样本点$p$是密度可达的，同时样本点$o$对于样本点$q$也是密度可达的，那么我们称作样本点$p$与样本点$q$是密度相连的。示意图(d)

概念解释小结：

　　密度直达：核心点$q$邻域内存在边缘点$p$，那么我们称作样本点$p$是由样本点$q$密度直达的。($p$与$q$是相邻的);

　　密度可达：样本点$p$是由一系列核心点传递到核心点$q$的，那么我们称作样本点$p$是由样本点$q$密度可达。($p$与$q$具有传递性);

　　密度相连：就是存在样本点$o$对样本点$p$密度可达，同时又对样本点$q$密度可达，那么样本点$p$与样本点$q$密度相连。(某一个中间点到$p$、$q$密度可达单方向传递性);

DBSCAN算法优缺点：

优点：

　　较其它聚类策略，例如K-Means只能适用于凸数据集，DBSCAN算法可以对任意形状的稠密数据集有效的聚类。

　　DBSCAN聚类对异常点抗干扰性强，即对受孤立的点影响很小，即对数据集中的异常点不明感。

缺点：

　　如果样本集的密度不均匀，聚类间距相差很大时，聚类质量较差，所以不适合使用DBSCAN算法。

　　针对大数据样本集，聚类收敛时间较长（目前改进是通过KD树快速搜索或者对球树规模限制）.

$ϵ$，邻域样本数阈值$Minpts$，这两个参数设置都会对聚类效果影响很大。参数建议根据数据量和具体应用场景进行调节与设定。

DBSCAN算法Python代码实践：

# -*- coding:utf-8 -*-
import numpy as np

from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import StandardScaler

# Generate sample data
centers = [[1, 1], [-1, -1], [1, -1]]
X, labels_true = make_blobs(n_samples=750, centers=centers,
                            cluster_std=0.4, random_state=0)

X = StandardScaler().fit_transform(X)

# Compute DBSCAN Algorithm
db = DBSCAN(eps=0.3, min_samples=10).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_

# Number of clusters in labels, ignoring noise if present
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
n_noise_ = list(labels).count(-1)

print('Estimanted number of cluster: %d' % n_clusters_)
print('Estimated number of noise points: %d' % n_noise_)
print('Homogeneity: %0.3f' % metrics.homogeneity_score(labels_true, labels))
print('Completeness: %0.3f' % metrics.completeness_score(labels_true, labels))
print('V-measure: 0.3f' % metrics.v_measure_score(labels_true, labels))
print('Adjusted Rand Index: 0.3f'
      % metrics.adjusted_rand_score(labels_true, labels))

print('Adjusted Mutual Information: %0.3f'
      % metrics.adjusted_mutual_info_score(labels_true, labels))

print('Silhouette Coefficient: %0.3f' % metrics.silhouette_score(X, labels))

# plot result
import matplotlib.pyplot as plt

# Black removed and is used for noise instead
unique_labels = set(labels)
colors = [plt.cm.Spectral(each)
          for each in np.linspace(0, 1, len(unique_labels))]

for k, col in zip(unique_labels, colors):
    if k == -1:
        # Black used for noise
        col = [0, 0, 0, 1]

    class_member_mask = (labels == k)

    xy = X[class_member_mask & core_samples_mask]

    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
             markeredgecolor='k', markersize=14)

    xy = X[class_member_mask & ~core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
             markeredgecolor='k', markersize=6)

plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()

聚类实验结果