原文：
www.kdnuggets.com/2022/08/implementing-dbscan-python.html
图片由作者提供
聚类应用于数据集，以将相似的数据点分组。它查找数据点之间的相似性和差异性，并将它们聚集在一起。聚类没有标签。聚类是一种无监督学习，用于发现数据集的潜在结构。
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升您的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持您的组织的 IT 需求
聚类算法的类型：
-
基于分区的聚类
-
模糊聚类
-
层次聚类
-
基于网格的聚类
-
排他性聚类
-
重叠聚类
-
基于密度的聚类
在这篇博客中，我们将重点关注基于密度的聚类方法，特别是使用 scikit-learn 的 DBSCAN 算法。基于密度的算法擅长发现高密度区域和离群点。它通常用于异常检测和聚类非线性数据集。
DBSCAN（基于密度的空间聚类算法，带噪声）是一种基于密度的无监督学习算法。它计算最近邻图以找到任意形状的簇和离群点。而 K-means 聚类生成的是球形簇。
DBSCAN 最初不需要K个簇。相反，它需要两个参数：eps 和 minPts。
-
eps：这是特定邻域的半径。如果两个点之间的距离小于或等于 eps，它们将被视为邻居。
-
minPts：在给定邻域中形成簇所需的最小数据点数量。
DBSCAN 使用这两个参数来定义核心点、边界点或离群点。
图片来自 维基百科
-
随机选择任何点p。如果在邻域中有比minPts更多的数据点，它也被称为核心点。
-
它将使用eps和minPts来识别所有密度可达点。
-
如果p是核心点，它将使用eps和minPts来创建一个簇。
-
如果p是边界点，它将移动到下一个数据点。一个数据点被称为边界点，如果在邻域中有的点少于minPts。
-
算法将继续进行，直到所有点都被访问。
我们将使用 Deepnote 笔记本来运行示例。它附带了预装的 Python 包，因此我们只需导入 NumPy、pandas、seaborn、matplotlib 和 sklearn。
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN我们使用的是来自 Kaggle 的 Mall Customer Segmentation Data。它包含客户的年龄、性别、收入和消费评分。我们将使用这些特征来创建各种簇。
首先，我们将使用 pandas read_csv 加载数据集。然后，我们将选择三列（‘Age'，'Annual Income (k$)'，'Spending Score (1-100)'）来创建X_train数据框。
df = pd.read_csv('Mall_Customers.csv')
X_train = df[['Age', 'Annual Income (k$)', 'Spending Score (1-100)']]我们将使用eps 12.5 和min_sample 4 来拟合X_train 到 DBSCAN 算法中。之后，我们将从X_train 创建一个DBSCAN_dataset，并使用clustering.labels_ 创建一个‘Cluster’列。
clustering = DBSCAN(eps=12.5, min_samples=4).fit(X_train)
DBSCAN_dataset = X_train.copy()
DBSCAN_dataset.loc[:,'Cluster'] = clustering.labels_ 为了可视化簇的分布，我们将使用 value_counts() 并将其转换为数据框。
如你所见，我们有 5 个簇和 1 个离群点。0 簇的大小最大，共有 112 行。
DBSCAN_dataset.Cluster.value_counts().to_frame()
在本节中，我们将使用上述信息并可视化散点图。
有两个图： “年收入与消费评分” 和 “年收入与年龄”。簇通过颜色定义，离群点被定义为小黑点。
可视化清楚地显示了每个客户如何属于 5 个簇中的一个，我们可以利用这些信息向紫色簇的客户提供高端优惠，而向深绿色簇的客户提供便宜的优惠。
outliers = DBSCAN_dataset[DBSCAN_dataset['Cluster']==-1]
fig2, (axes) = plt.subplots(1,2,figsize=(12,5))
sns.scatterplot('Annual Income (k$)', 'Spending Score (1-100)',
data=DBSCAN_dataset[DBSCAN_dataset['Cluster']!=-1],
hue='Cluster', ax=axes[0], palette='Set2', legend='full', s=200)
sns.scatterplot('Age', 'Spending Score (1-100)',
data=DBSCAN_dataset[DBSCAN_dataset['Cluster']!=-1],
hue='Cluster', palette='Set2', ax=axes[1], legend='full', s=200)
axes[0].scatter(outliers['Annual Income (k$)'], outliers['Spending Score (1-100)'], s=10, label='outliers', c="k")
axes[1].scatter(outliers['Age'], outliers['Spending Score (1-100)'], s=10, label='outliers', c="k")
axes[0].legend()
axes[1].legend()
plt.setp(axes[0].get_legend().get_texts(), fontsize='12')
plt.setp(axes[1].get_legend().get_texts(), fontsize='12')
plt.show()
DBSCAN 是用于客户细分的众多算法之一。你可以使用 K-means 或层次聚类来获得更好的结果。这些聚类算法通常用于推荐引擎、市场和客户细分、社交网络分析和文档分析。
在本博客中，我们了解了基于密度的算法 DBSCAN 的基础知识，以及如何使用它通过 scikit-learn 创建客户细分。你可以通过使用silhouette score和热图来寻找最佳的eps和min_samples，从而改进算法。
Abid Ali Awan (@1abidaliawan) 是一位认证的数据科学专业人士，喜欢构建机器学习模型。目前，他专注于内容创作，并撰写关于机器学习和数据科学技术的技术博客。Abid 拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络构建一个 AI 产品，帮助那些与心理疾病作斗争的学生。