Python机器学习——DBSCAN聚类
Posted jfdwd
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python机器学习——DBSCAN聚类相关的知识,希望对你有一定的参考价值。
密度聚类(Density-based Clustering)假设聚类结构能够通过样本分布的紧密程度来确定。DBSCAN是常用的密度聚类算法,它通过一组邻域参数(??,MinPtsMinPts)来描述样本分布的紧密程度。给定数据集DD={x? 1,x? 2,x? 3,...,x? Nx→1,x→2,x→3,...,x→N},数据集属性定义如下。
-
??-邻域:N?(x? i)N?(x→i)={x? j∈D|distance(x? i,x? j)x→j∈D|distance(x→i,x→j)≤?≤?},N?(x? i)N?(x→i)包含了样本集DD中与x? ix→i距离不大于??的所有样本。
-
核心对象core object:若|N?(x? i)N?(x→i)|≥MinPts≥MinPts,则称x? ix→i是一个核心对象。即:若x? ix→i的??-邻域中至少包含MinPtsMinPts个样本,则称x? ix→i是一个核心对象。
-
密度直达directly density-reachable:若x? ix→i是一个核心对象,且x? j∈x→j∈N?(x? i)N?(x→i),则称x? jx→j由x? ix→i密度直达,记作x? ix→i–>x? jx→j。
-
密度可达density-reachable:对于x? ix→i和x? jx→j,若存在样本序列(p? 0,p? 1,p? 2,...,p? m,p? m+1p→0,p→1,p→2,...,p→m,p→m+1),其中p? 0p→0=x? ix→i,p? m+1p→m+1=x? jx→j,p? s∈D,s=1,2,...,mp→s∈D,s=1,2,...,m。如果p? s+1p→s+1由p? s,s=1,2,...,mp→s,s=1,2,...,m密度直达,则称x? jx→j由x? ix→i密度可达,记作x? ix→i~>x? jx→j。
- 密度相连density-connected:对于x? ix→i和x? jx→j,若存在x? kx→k,使得x? ix→i和x? jx→j均由x? kx→k密度可达,则称x? jx→j由x? ix→i密度相连,记作x? ix→i~x? jx→j。
??DBSCAN算法的定义:给定邻域参数(??,MinPtsMinPts),一个簇C?DC?D是满足下列性质的非空样本子集:
- 接性connectivity:若x? i∈C,x? j∈Cx→i∈C,x→j∈C,则x? ix→i~x? jx→j
- 大性maximality:若x? i∈Cx→i∈C,且→xi→xi~>x? jx→j,则x? j∈Cx→j∈C
即一个簇是由密度可达关系导出的最大的密度相连样本集合。
??DBSCAN算法的思想:若x? x→为核心对象,则x? x→密度可达的所有样本组成的集合X={x? ?∈D|x? x→?∈D|x→~>x? ?x→?},可以证明XX就是满足连接性与最大性的簇。于是DBSCAN算法首选任选数据集中的一个核心对象作为种子seedseed,再由此出发确定相应的聚类簇。
下面给出DBSCAN算法:
-
输入
- 数据集DD={x? 1,x? 2,x? 3,...,x? Nx→1,x→2,x→3,...,x→N}
- 邻域参数(??,MinPtsMinPts)
-
输出:簇划分CC={C1,C2,...,CkC1,C2,...,Ck}
- 算法步骤如下:
- 初始化核心对象集合为空集:Ω=??
- 寻找核心对象:遍历所有的样本点x? i,i=1,2,...,Nx→i,i=1,2,...,N,计算N?(x? i)N?(x→i),如果|N?(x? i)N?(x→i)|≥MinPts≥MinPts,则Ω=Ω??{x? ix→i}
- 迭代:以任一未访问过的核心对象为出发点,找出有其密度可达的样本生成的聚类簇,直到所有的核心对象都被访问为止
??DBSCANDBSCAN是sciki?kearnsciki?kearn提供的密度聚类算法模型,其原型为:
class sklearn.cluster.DBSCAN(eps=0.5,min_samples=5,metric=‘euclidean‘,algorithm=‘auto‘,leaf_size=30,p=None,random_state=None)
- 1
参数
- epseps:??参数,用于确定邻域大小。
- min_samplesmin_samples:MinPtsMinPts参数,用于判断核心对象。
- metricmetric:一个字符串或可调用对象,用于计算距离。如果是字符串,则必须是在metrics.pairwise.calculate_distance中指定。
- algorithmalgorithm:一个字符串,用于计算两点间距离并找出最近邻的点,可以为如下:
- ‘autoauto’:由算法自动取舍合适的算法。
- ‘ball_treeball_tree’:用ball树来搜索。
- ‘kd_treekd_tree’:用kd树搜索。
- ‘brutebrute’:暴力搜索。
- leaf_sizeleaf_size:一个整数,用于指定当algorithm=ball_tree或kd_tree时,树的叶节点大小。该参数会影响构建树,搜索最近邻的速度,同时影响树的内存。
- random_staterandom_state:被废弃的接口,将在scikit-learn v 0.18中移除。
属性
- core_sample_indices_core_sample_indices_:核心样本在原始训练集中的位置。
- components_components_:核心样本的一份副本。
- labels_labels_:每个样本所属的簇标记。对于噪声样本,其簇标记为-1副本。
方法
- fit(X[,y,sample_weight])fit(X[,y,sample_weight]):训练模型。
- fit_predict(X[,y,sample_weight])fit_predict(X[,y,sample_weight]):训练模型并预测每个样本所属的簇标记。
#导包
from sklearn import cluster
from sklearn.metrics import adjusted_rand_score
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
from sklearn import mixture
from sklearn.svm.libsvm import predict
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
#产生数据
def create_data(centers,num=100,std=0.7):
X,labels_true = make_blobs(n_samples=num,centers=centers, cluster_std=std)
return X,labels_true
- 1
- 2
- 3
- 4
"""
数据作图
"""
def plot_data(*data):
X,labels_true=data
labels=np.unique(labels_true)
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
colors=‘rgbycm‘
for i,label in enumerate(labels):
position=labels_true==label
ax.scatter(X[position,0],X[position,1],label="cluster %d"%label),
color=colors[i%len(colors)]
ax.legend(loc="best",framealpha=0.5)
ax.set_xlabel("X[0]")
ax.set_ylabel("Y[1]")
ax.set_title("data")
plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
#测试函数
def test_DBSCAN(*data):
X,labels_true = data
clst = cluster.DBSCAN();
predict_labels = clst.fit_predict(X)
print("ARI:%s"%adjusted_rand_score(labels_true,predict_labels))
print("Core sample num:%d"%len(clst.core_sample_indices_))
- 1
- 2
- 3
- 4
- 5
- 6
- 7
#结果
ARI:0.330307120902
Core sample num:991
- 1
- 2
- 3
??其中ARIARI指标为0.330307120902,该值越大越好,DBSCAN根据密度,将原始数据集划分为991个簇。
下面考察??参数的影响:
def test_DBSCAN_epsilon(*data):
X,labels_true = data
epsilons = np.logspace(-1,1.5)
ARIs=[]
Core_nums = []
for epsilon in epsilons:
clst = cluster.DBSCAN(eps=epsilon)
predicted_labels = clst.fit_predict(X)
ARIs.append(adjusted_rand_score(labels_true,predicted_labels))
Core_nums.append(len(clst.core_sample_indices_))
fig = plt.figure(figsize=(10,5))
ax = fig.add_subplot(1,2,1)
ax.plot(epsilons,ARIs,marker = ‘+‘)
ax.set_xscale(‘log‘)
ax.set_xlabel(r"$epsilon$")
ax.set_ylim(0,1)
ax.set_ylabel(‘ARI‘)
ax = fig.add_subplot(1,2,2)
ax.plot(epsilons,Core_nums,marker=‘o‘)
ax.set_xscale(‘log‘)
ax.set_xlabel(r"$epsilon$")
ax.set_ylabel(‘Core_num‘)
fig.suptitle("DBSCAN")
plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
centers = [[1,1],[1,2],[2,2],[10,20]]
X,labels_true = create_data(centers,1000,0.5)
test_DBSCAN_epsilon(X,labels_true)
- 1
- 2
- 3
??参数的影响结果如上图所示:
??可以看到ARIARI指数随着??的增长,先上升后保持平稳,最后悬崖式下降。悬崖式下降是因为我们产生的训练样本的间距比较小,最远的两个样本之间的距离不超过30,当??过大时,所有的点都在一个邻域中。
??样本核心数量随着??的增长而上升,这是因为随着??的增长,样本点的邻域在扩展,则样本点邻域中的样本会增多,这就产生了更多满足条件的核心样本点。但是样本集中的样本数量有限,因此核心样本点的数量增长到一定数目后会趋于稳定。
下面接着考察MinPtsMinPts参数的影响:
def test_DBSCAN_min_samples(*data):
X,labels_true=data
min_samples=range(1,100)
ARIs=[]
Core_nums=[]
for num in min_samples:
clst=cluster.DBSCAN(min_samples=num)
predicted_labels=clst.fit_predict(X)
ARIs.append(adjusted_rand_score(labels_true, predicted_labels))
Core_nums.append(len(clst.core_sample_indices_))
fig=plt.figure(figsize=(10,5))
ax=fig.add_subplot(1,2,1)
ax.plot(min_samples,ARIs,marker=‘+‘)
ax.set_xlabel("min_samples")
ax.set_ylim(0,1)
ax.set_ylabel(‘ARI‘)
ax=fig.add_subplot(1,2,2)
ax.plot(min_samples,Core_nums,marker=‘o‘)
ax.set_xlabel("min_samples")
ax.set_ylabel(‘Core_nums‘)
fig.suptitle("DBSCAN")
plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
centers = [[1,1],[1,2],[2,2],[10,20]]
X,labels_true = create_data(centers,1000,0.5)
test_DBSCAN_min_samples(X,labels_true)
- 1
- 2
- 3
MinPtsMinPts参数的影响结果如下:
??可以看出ARIARI指数随着MinPtsMinPts的增长,平稳地下降。而核心样本数量随着MinPtsMinPts的增长基本呈线性下降,这是因为随着MinPtsMinPts的增长,样本点的邻域中必须包含更多的样本才能使它成为一个核心点。因此产生的样本点数量越来越少。
有关ARIARI,请参考:
以上是关于Python机器学习——DBSCAN聚类的主要内容,如果未能解决你的问题,请参考以下文章
机器学习 sklearn 无监督学习 聚类算法 DBSCAN
机器学习 sklearn 无监督学习 聚类算法 DBSCAN