DBSCAN聚类算法原理总结

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

DBSCAN是基于密度空间的聚类算法，在机器学习和数据挖掘领域有广泛的应用，其聚类原理通俗点讲是每个簇类的密度高于该簇类周围的密度，噪声的密度小于任一簇类的密度。如下图簇类ABC的密度大于周围的密度，噪声的密度低于任一簇类的密度，因此DBSCAN算法也能用于异常点检测。本文对DBSCAN算法进行了详细总结。

1. DBSCAN算法的样本点组成

2. DBSCAN算法原理

3. DBSCAN算法的参数估计

4. DBSCAN算法实战

5 DBSCAN算法的优缺点

1. DBSCAN算法的样本点组成

DBSCAN算法处理后的聚类样本点分为：核心点（core points），边界点（border points）和噪声点（noise），这三类样本点的定义如下：

核心点：对某一数据集D，若样本p的-领域内至少包含MinPts个样本（包括样本p），那么样本p称核心点。

即：

称p为核心点，其中-领域的表达式为：

边界点：对于非核心点的样本b，若b在任意核心点p的-领域内，那么样本b称为边界点。

即：

称b为边界点。
噪声点：对于非核心点的样本n，若n不在任意核心点p的-领域内，那么样本n称为噪声点。

即：

称n为噪声点。

假设MinPts=4，如下图的核心点、非核心点与噪声的分布：

2. DBSCAN算法原理

由上节可知，DBSCAN算法划分数据集D为核心点，边界点和噪声点，并按照一定的连接规则组成簇类。介绍连接规则前，先定义下面这几个概念：

密度直达（directly density-reachable）：若q处于p的-邻域内，且p为核心点，则称q由p密度直达；

密度可达（density-reachable）：若q处于p的-邻域内，且p，q均为核心点，则称q的邻域点由p密度可达；

密度相连（density-connected）：若p，q均为非核心点，且p，q处于同一个簇类中，则称q与p密度相连。

下图给出了上述概念的直观显示（MinPts）：

其中核心点E由核心点A密度直达，边界点B由核心点A密度可达，边界点B与边界点C密度相连，N为孤单的噪声点。

DBSCAN是基于密度的聚类算法，原理为：只要任意两个样本点是密度直达或密度可达的关系，那么该两个样本点归为同一簇类，上图的样本点ABCE为同一簇类。因此，DBSCAN算法从数据集D中随机选择一个核心点作为“种子”，由该种子出发确定相应的聚类簇，当遍历完所有核心点时，算法结束。

DBSCAN算法的伪代码：

# DB为数据集，distFunc为样本间的距离函数
# eps为样本点的领域，MinPts为簇类的最小样本数
DBSCAN(DB,distFunc,eps,minPts){C = 0                                           # 初始化簇类个数# 数据集DB被标记为核心点和噪声点for each point P in database DB{                #  遍历数据集 if label(P) != undefined then continue     # 如果样本已经被标记了，跳过此次循环Neighbors N = RangeQuery(DB,distFunc,P,eps)  # 计算样本点P在eps邻域内的个数，包含样本点本身if |N| < minPts then {                      # 密度估计label(P) = Noise                         # 若样本点P的eps邻域内个数小于MinPts，则为噪声continue}C = C + 1              # 增加簇类个数label(P) = C           # 初始化簇类标记Seed set S = N \{P}    # 初始化种子集，符号\表示取补集for each point Q in S{if label(Q) = Noise then label(Q) = C   # 核心点P的邻域为噪声点，则该噪声点重新标记为边界点if label(Q) != undefined then continue  # 如果样本已经被标记了(如上次已经被标记的噪声)，跳过此次循环label(Q) = C                    # 核心点P的邻域都标记为簇类CNeighbors N = RangeQuery(DB,distFunc,Q,eps)  # 计算样本Q的邻域个数if N >= minPts then{                        # 密度检测，检测Q是否为核心样本S = S.append(N)                # 邻域Q样本添加到种子集}}}
}

其中计算样本Q邻域个数的伪代码：

# 计算样本Q的eps邻域集
RangeQuery(DB,distFunc,Q,eps){Neighbors = empty list  # 初始化Q样本的邻域为空集for each point P in database DB{if distFunc(Q,P) <= eps then {Neighbors = Neighbors.append(Q)   # 若Q在P的eps邻域内，则邻域集增加该样本}}return Neighbors
}

其中计算样本P与Q的距离函数dist(P,Q)不同，邻域形状也不同，若我们使用的距离是曼哈顿（manhattan）距离，则邻域性状为矩形；若使用的距离是欧拉距离，则邻域形状为圆形。

DBSCAN算法可以抽象为以下几步：

1）找到每个样本的-邻域内的样本个数，若个数大于等于MinPts，则该样本为核心点；

2）找到每个核心样本密度直达和密度可达的样本，且该样本亦为核心样本，忽略所有的非核心样本；

3）若非核心样本在核心样本的-邻域内，则非核心样本为边界样本，反之为噪声。

3. DBSCAN算法的参数估计

由上一节可知，DBSCAN主要包含两个参数：

：两个样本的最小距离，它的含义为：如果两个样本的距离小于或等于值，那么这两个样本互为邻域。

MinPts：形成簇类所需的最小样本个数，比如MinPts等于5，形成簇类的前提是至少有一个样本的-邻域大于等于5。

参数和MinPts参数估计：

如下图，如果值取的太小，部分样本误认为是噪声点（白色）；值取的多大，大部分的样本会合并为同一簇类。

同样的，若MinPts值过小，则所有样本都可能为核心样本；MinPts值过大时，部分样本误认为是噪声点（白色），如下图：

根据经验，minPts的最小值可以从数据集的维数D得到，即。若minPts=1，含义为所有的数据集样本都为核心样本，即每个样本都是一个簇类；若minPts≤2，结果和单连接的层次聚类相同；因此minPts必须大于等于3，因此一般认为minPts=2*dim，若数据集越大，则minPts的值选择的亦越大。

值常常用k-距离曲线（k-distance graph）得到，计算每个样本与所有样本的距离，选择第k个最近邻的距离并从大到小排序，得到k-距离曲线，曲线拐点对应的距离设置为，如下图：

由图可知或者根据k-距离曲线的定义可知：样本点第k个近邻距离值小于归为簇类，大于的样本点归为噪声点。根据经验，一般选择值等于第（minPts-1）的距离，计算样本间的距离前需要对数据进行归一化，使所有特征值处于同一尺度范围，有利于参数的设置。

如果(k+1)-距离曲线和k-距离曲线没有明显差异，那么minPts设置为k值。例如k=4和k>4的距离曲线没有明显差异，而且k>4的算法计算量大于k=4的计算量，因此设置MinPts=4。

4. DBSCAN算法实战

k-means聚类算法假设簇类所有方向是同等重要的，若遇到一些奇怪的形状（如对角线）时，k-means的聚类效果很差，本节采用DBSCAN算法以及简单的介绍下如何去选择参数和MinPts。

随机生成五个簇类的二维数据：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler# 生成随机簇类数据
X, y =make_blobs(random_state=170,n_samples=600,centers=5)
rng = np.random.RandomState(74)
# 数据拉伸
transformation = rng.normal(size=(2,2))
X = np.dot(X,transformation)
# 绘制延伸图
plt.scatter(X[:,0],X[:,1])
plt.xlabel("Feature 0")
plt.ylabel("Feature 1")
plt.show()

散点图为：

k-means聚类结果：

按照经验MinPts=2*ndims，因此我们设置MinPts=4。

为了方便参数的选择，我们首先对数据的特征进行归一化：

#特征归一化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

假设=0.5：

# dbscan聚类算法
t0=time.time()
dbscan = DBSCAN(eps=0.12,min_samples = 4)
clusters = dbscan.fit_predict(X_scaled)
# 绘制dbscan聚类结果
plt.scatter(X[:,0],X[:,1],c=clusters,cmap="plasma")
plt.xlabel("Feature 0")
plt.ylabel("Feature 1")
plt.title("eps=0.5,minPts=4")
plt.show()
t1=time.time()
print(t1-t0)

查看聚类结果：

由上图可知，所有的样本都归为一类，因此设置的过大，需要减小。

设置=0.2的结果：

由上图可知，大部分样本还是归为一类，因此设置的过大，仍需要减小。

设置=0.12的结果：

结果令人满意，看看聚类性能度量指数：

# 性能评价指标ARI
from sklearn.metrics.cluster import adjusted_rand_score
# ARI指数
print("ARI=",round(adjusted_rand_score(y,clusters),2))#>ARI= 0.99

由上节可知，为了较少算法的计算量，我们尝试减小MinPts的值。
设置MinPts=2的结果：

其ARI指数为：0.99

算法的运行时间较minPts=4时要短，因此我们最终选择的参数：=0.12，minPts=4。

这是一个根据经验的参数优化算法，实际项目中，我们首先根据先验经验去设置参数的值，确定参数的大致范围，然后根据性能度量去选择最优参数。

5 DBSCAN算法的优缺点

优点：

1）DBSCAN不需要指定簇类的数量；

2）DBSCAN可以处理任意形状的簇类；

3）DBSCAN可以检测数据集的噪声，且对数据集中的异常点不敏感；

4）DBSCAN结果对数据集样本的随机抽样顺序不敏感（细心的读者会发现样本的顺序不一样，结果也可能不一样，如非核心点处于两个聚类的边界，若核心点抽样顺序不同，非核心点归于不同的簇类）；

缺点：

1）DBSCAN最常用的距离度量为欧式距离，对于高维数据集，会带来维度灾难，导致选择合适的值很难；

2）若不同簇类的样本集密度相差很大，则DBSCAN的聚类效果很差，因为这类数据集导致选择合适的minPts和值非常难，很难适用于所有簇类。

好消息！

小白学视觉知识星球

开始面向外开放啦

DBSCAN聚类算法原理总结相关推荐

DBSCAN聚类算法原理及图解
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法,和K-M ...
毫米波雷达点云 DBSCAN聚类算法
毫米雷达点云 DBSCAN聚类算法聚类的目的聚类算法分类原型聚类层次聚类密度聚类 DBSCAN聚类算法原理相关定义算法流程以及伪代码 DBSCAN算法优缺点 DBSCAN参数选择聚类衡 ...
PCL 点云DBSCAN聚类算法
文章目录一.简介二.实现代码三.实现效果参考资料一.简介关于DBSCAN聚类算法的原理可以看之前的文章:点云DBSCAN聚类算法(C++),这里仅仅是对该算法进行了整理,让它可以支持PCL ...
dbscan算法_如何掌握用于机器学习的流行DBSCAN聚类算法
总览 DBSCAN聚类是一种针对无监督学习问题而被低估但非常有用的聚类算法了解DBSCAN集群如何工作,为什么要学习以及如何在Python中实现DBSCAN集群介绍掌握无监督学习为数据科学家开辟 ...
干货 | 非常全面的谱聚类算法原理总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达谱聚类算法是目前最流行的聚类算法之一,其性能及适用场景优于传统的聚 ...
层次聚类算法原理总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达层次聚类(hierarchical clustering)基于簇间 ...
python kmeans聚类对二维坐标点聚类_Kmeans均值聚类算法原理以及Python如何实现
第一步.随机生成质心由于这是一个无监督学习的算法,因此我们首先在一个二维的坐标轴下随机给定一堆点,并随即给定两个质心,我们这个算法的目的就是将这一堆点根据它们自身的坐标特征分为两类,因此选取了两个质 ...
dbscan算法c语言实现,用C++实现DBSCAN聚类算法
这几天由于工作需要,对DBSCAN聚类算法进行了C++的实现.时间复杂度O(n^2),主要花在算每个点领域内的点上.算法很简单,现共享大家参考,也希望有更多交流. 数据点类型描述如下: 复制代码代码 ...
dbscan聚类算法_一种视频人群流的轨迹聚类方法
tags: KLT光流法,K-means聚类算法,DBSCAN聚类算法方法简介运动轨迹是一种在视频场景中捕捉复杂时间动态的有效方法.因此,我们将人流分割问题转化为一个轨迹提取和聚类任务.该方法分为 ...
K-means与DBSCAN聚类算法
K-means与DBSCAN聚类算法前言:目前数据聚类方法大体上可以分为划分式聚类方法(Partition-based Methods).基于密度的聚类方法(Density-based method ...

DBSCAN聚类算法原理总结

DBSCAN聚类算法原理总结相关推荐

最新文章

热门文章