机器学习入门：DBSCAN 聚类

前言：本文是“机器学习入门”系列的第九站。上一站我们学习了 K-Means 聚类，它通过 K 个质心将数据划分成球形簇，但需要预先指定 K 值，且只能发现凸形簇。本篇我们将学习另一种完全不同的聚类算法——DBSCAN。它不需要指定簇的数量，能发现任意形状的簇，还能自动识别噪声点。其核心思想是：将密度足够高的区域划分为簇，低密度区域的点则标记为噪声。

目录

• 一、认识 DBSCAN 聚类
• 二、DBSCAN 的核心原理
• 三、DBSCAN vs K-Means
• 四、DBSCAN 的优缺点
• 五、典型应用场景
• 六、核心 API 速查
• 七、实战案例：啤酒聚类分析
• 八、总结

一、认识 DBSCAN 聚类

1.1 什么是 DBSCAN？

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的无监督聚类算法。它的核心特点是能根据数据的密度分布自动发现任意形状的簇，同时还能识别出数据中的噪声点。

通俗理解：想象你在地图上标注了一堆地点。DBSCAN 要做的事情是：找到那些“邻居特别多”的核心区域，从这些区域向外扩散，把所有能连通的密集区域圈成一个簇。而那些孤零零的、周围没什么邻居的点，就被标记为“噪声”。

DBSCAN 用于聚类。它不依赖标签，仅凭数据本身的密度分布进行分组。

1.2 为什么要用 DBSCAN？

K-Means 有两个明显的局限：

1. 必须预先指定 K 值：在无监督学习中，我们往往不知道数据应该分成几类。
2. 只能发现凸形簇：对于环形、S 形等非凸形状的数据，K-Means 效果很差。

DBSCAN 正是为了解决这两个问题而生的。

二、DBSCAN 的核心原理

2.1 两个核心参数

DBSCAN 通过两个参数来定义“密度”：

2.2 三类样本点

基于这两个参数，DBSCAN 将样本点分为三类：

2.3 簇的定义与连接

DBSCAN 的簇由密度相连的核心点及其边界点组成：

• 直接密度可达：点 q 在核心点 p 的 ε 邻域内，则 q 从 p 直接密度可达
• 密度可达：通过一串核心点，从 p 可以“接力”到达 q，则 q 从 p 密度可达
• 密度相连：存在点 o，使得 p 和 q 都从 o 密度可达，则 p 和 q 密度相连

一个簇就是所有密度相连的点的最大集合。

通俗理解：核心点就像“感染源”，它会把 ε 邻域内的所有点拉入同一个簇。如果这个簇里有其他核心点，它们又会继续向外“感染”更多的点。直到遇到“边界点”或“噪声点”，传播才停止。

2.4 算法流程

1. 随机选择一个未访问的数据点
2. 检查该点的 ε 邻域：
   • 如果邻域内点数 ≥ min_samples，标记为核心点，邻域内所有点加入同一簇
   • 否则标记为噪声（但之后如果被核心点纳入邻域，可能转为边界点）
3. 对簇内的核心点，递归扩展其邻域，将更多点加入簇
4. 重复 1-3 步，直到所有点都被访问

三、DBSCAN vs K-Means

四、DBSCAN 的优缺点

4.1 优点

1. 无需预设簇数量：自动根据密度划分簇
2. 支持任意形状的簇：可识别环形、S 形、不规则形状的簇
3. 能识别噪声点：天然支持离群点检测
4. 对数据顺序不敏感：聚类结果稳定

4.2 缺点

1. 对参数 eps 和 min_samples 敏感：参数选择不当会导致聚类结果差异极大
2. 不适合密度差异大的数据：同一套参数无法同时适配高密度和低密度区域
3. 高维数据效果差：高维空间中“距离”概念失效，需先降维
4. 大规模数据效率较低：传统实现时间复杂度为 O(n²)

五、典型应用场景

• 图像分割：将图片中的不同区域（如森林、湖泊）分割成不同的簇
• 社交网络分析：识别不同的用户群体或社区
• 异常检测：远离所有簇的样本点可能是异常点
• 地理空间数据：GPS 轨迹聚类、犯罪热点分析
• 文本挖掘：将相似文档归为一组

六、核心 API 速查

6.1 导包方式

fromsklearn.clusterimportDBSCAN

6.2 核心参数详解

6.3 常用属性

6.4 常用方法

七、实战案例：啤酒聚类分析

7.1 案例背景

在 K-Means 篇中，我们将 20 种啤酒按热量、钠含量、酒精浓度、价格聚成了 4 类。本篇尝试用 DBSCAN 对同样的数据进行分析，对比两种算法的聚类结果。

7.2 数据说明

数据示例：

7.3 完整代码

importpandasaspdimportnumpyasnpfromsklearn.clusterimportDBSCANfromsklearn.preprocessingimportMinMaxScalerfromsklearn.metricsimportsilhouette_scoreimportmatplotlib.pyplotasplt# ===================设置中文字体=========================plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False# ===================读取数据=========================beer=pd.read_table("data.txt",sep=' ',encoding='utf-8',engine='python')X=beer[['calories','sodium','alcohol','cost']]# ===================01标准化=========================scaler=MinMaxScaler()X_scaled=scaler.fit_transform(X)# ===================网格搜索=========================eps_values=np.arange(0.1,1.0,0.1)# 邻域半径候选值min_samples_values=range(2,7)# 最小样本数候选值results=[]print("===== 网格搜索 =====")forepsineps_values:formin_samplesinmin_samples_values:labels=DBSCAN(eps=eps,min_samples=min_samples).fit_predict(X_scaled)n_clusters=len(set(labels))-(1if-1inlabelselse0)# 簇数（排除噪声）n_noise=list(labels).count(-1)# 噪声点数ifn_clusters>=2:# 至少2个簇才能计算轮廓系数score=silhouette_score(X_scaled,labels)results.append({'eps':eps,'min_samples':min_samples,'n_clusters':n_clusters,'n_noise':n_noise,'score':score})print(f"eps={eps:.1f}, min_samples={min_samples}: 簇数={n_clusters}, 噪声={n_noise}, 轮廓系数={score:.4f}")# ===================最优参数=========================ifresults:best=max(results,key=lambdax:x['score'])# 选轮廓系数最大的print(f"\n最优参数: eps={best['eps']:.1f}, min_samples={best['min_samples']}")print(f"最优轮廓系数:{best['score']:.4f}")best_labels=DBSCAN(eps=best['eps'],min_samples=best['min_samples']).fit_predict(X_scaled)beer['cluster']=best_labelsprint(f"\n簇数:{best['n_clusters']}")print(f"噪声点:{best['n_noise']}")print("\n各簇包含的品牌：")forcidinsorted(beer['cluster'].unique()):brands=beer[beer['cluster']==cid]['name'].tolist()ifcid==-1:print(f"噪声点:{', '.join(brands)}")else:print(f"簇{cid}（{len(brands)}种）:{', '.join(brands)}")else:print("\n未找到有效的聚类组合")

===== 网格搜索 ===== eps=0.2, min_samples=2: 簇数=3, 噪声=12, 轮廓系数=0.0281 eps=0.3, min_samples=2: 簇数=3, 噪声=6, 轮廓系数=0.2266 eps=0.3, min_samples=3: 簇数=3, 噪声=6, 轮廓系数=0.2266 eps=0.3, min_samples=4: 簇数=2, 噪声=9, 轮廓系数=0.1283 eps=0.4, min_samples=2: 簇数=2, 噪声=2, 轮廓系数=0.3162 eps=0.4, min_samples=3: 簇数=2, 噪声=2, 轮廓系数=0.3162 eps=0.4, min_samples=4: 簇数=2, 噪声=2, 轮廓系数=0.3162 eps=0.5, min_samples=2: 簇数=2, 噪声=1, 轮廓系数=0.3435 eps=0.5, min_samples=3: 簇数=2, 噪声=1, 轮廓系数=0.3435 eps=0.5, min_samples=4: 簇数=2, 噪声=1, 轮廓系数=0.3435 最优参数: eps=0.5, min_samples=2 最优轮廓系数: 0.3435 簇数: 2 噪声点: 1 各簇包含的品牌： 噪声点: Lowenbrau 簇 0（15 种）: Budweiser, Schlitz, Old_Milwaukee, Augsberger, Srohs_Bohemian_Style, Miller_Lite, Budweiser_Light, Coors, Coors_Light, Michelob_Light, Pabst_Extra_Light, Hamms, Heilemans_Old_Style, Olympia_Goled_Light, Schlitz_Light 簇 1（4 种）: Kronenbourg, Heineken, Becks, Kirin

7.4 关键步骤说明

八、总结

核心知识点速查

核心 API 一览

注意事项

系列直达

• 上篇：机器学习入门：K-Means 聚类
• 本篇：机器学习入门：DBSCAN 聚类（本文）
• 下篇：敬请期待