ML：非監督學習之 聚類 之 2 DBSAN聚類（sklearn.cluster.dbscan))

一、算法圖解

DBSCAN：Dense-Based Spatial Clustering of Applications with Noise（基於密度的&帶噪點的空間聚類應用方法）

舉個栗子：

1. 此處潛在設定條件：Min_smaples（或者叫MinPoints / Minpts）= 4；
2. 核心點：紅點，因爲以紅點爲圓心，“Eps/鄰域”爲半徑的範圍內，樣本點個數至少有4個(即 Min_samples)；
3. 邊界點：黃點，因爲它雖然在圓的範圍裏，但以它爲圓心“Eps/鄰域”爲半徑的範圍內，不滿足Min_samples至少爲4的要求；
4. Noise（噪點）：藍點，即沒有在圓範圍的點；

二、sklearn官方文檔鏈接

sklearn.cluster.dbscan(
X,                     # 一個feature數組，shape爲（n_samples, n_featrues)，或者是 當`metric='precomputed'`的樣本間距離數組；
eps=0.5,               # 見上邊例子
min_samples=5,         # 見上邊例子
metrics='minkowski',  	# 計算2點距離的方法
metric_params=None,
algorithm='auto', #可選參數爲['auto', 'ball_tree', 'kd_tree', 'brute']
leaf_size=30, # 可選的參數，BallTree或者cKDTree用的。
p=2,   # 用來計算2點之間距離的Minsowski矩陣的冪
sample_weight=None,
n_jobs=None    # 並行運算的數目The number of parallel jobs to run for neighbors search；
)

三、優缺點

• 優點

1. 與KMeans相比，不需要事先設定cluster數；
2. 與KMeans相比，可以發現任意形狀的cluster；
3. 同時，DBSCAN能夠識別出噪點；
4. DBSCAN對於數據庫中樣本的順序不敏感，即pattern的輸入順序對結果的影響不大。但是，對處於cluster邊界的樣本，可能會根據那個cluster優先被探測到而歸屬有所擺動；

• 缺點

5. 當數據量增大時，要求較大的內存支持，I/O消耗也很大；
6. DBSCAN不能很好的反映高維數據，算法聚類效果依賴於距離公式的選取（實際應用中常用歐式距離）；
7. 如果樣本呢的密度不均勻、cluster的間距又很大的時候，聚類質量不好（參見 劉建平Pinard的博客 ）
8. DBSCAN不能很好反映數據集已變化的密度；