DBSCAN属于无监督学习算法，无监督算法的内涵是观察无标签数据集自动发现隐藏结构和层次，在无标签数据中寻找隐藏规律。
聚类模型在数据分析当中的应用：既可以作为一个单独过程，用于寻找数据内在规律，也可以作为分类等其他分析任务的前置探索。
上篇我们讲了基于原型的k-means聚类算法，这篇我们来讲通常情况下聚类效果表现更优异的密度聚类DBSCAN。
 什么是DBSCAN
DBSCAN是一种基于密度的考虑到噪音的空间聚类算法。简单来讲，给定一组点，DBSCAN将彼此距离（欧几里得距离）很近的点聚成一类，同时它还将低密度区域中的点标记为异常值（outlier）。要了解DBSCAN算法，我们先来熟悉一些关键概念：
  • 数据点密度：某数据点指定的半径中点的数量即称为密度；
  • 核心对象/核心点：如果指定半径(ε)内的数据点数量超过了规定的点数量(Minpts)，那么该点即称为核心点；
  • 边界点：如果某点的半径(ε)内的点数量少于规定的点数量(Minpts)，不能发展下线，但是却在核心点的邻域内，那么该点称为边界点；
  • 密度可达：若某点a在点b的邻域内，则b是核心点a的直接密度可达，若点c又在点b的邻域内，则点c是点a的间接密度可达，a和c密度相连 (传播过程)；
  • 异常值/离群值：未在核心点邻域内，从任何一个核心点出发都密度不可达，既不是核心点也不是边界点的点称为异常值点；
 
以下图为例，将所有点基于半径(ε)画圈，指定数据点密度为3，我们发现下图红色点在指定半径内的密度均>3，故红色点为核心点；
而B、C点在核心点邻域内，但是其半径内的点只有2个，小于指定密度，故B、C为边界点；
N点未在核心点邻域内，且从任何一个核心点出发都密度不可达，故N为异常值点；以上点A与B、A与C均密度相连；
 

DBSCAN算法实现原理

  • 算法根据指定的邻域密度参数 ( ε , Minpts ) 找出所有点中的核心点，确定核心点集合为Ω；

  •   从Ω中，随机选取一个核心点作为对象，找出所有由其密度可达的样本生成聚类簇；

  • 重复过程2，在Ω中随机选取未被聚簇过的剩余核心点，持续进行直到所有核心点密度可达的聚类完全被发现；

算法优缺点

优点

  • 不需要预先指定聚类簇个数
  • 聚类的形状和大小非常灵活
  • 能够识别和处理异常值（离群点）
  • 参数较少，只有2个

缺点

  • 不适用高维数据

  • 确定合理的参数较困难，且参数对结果影响较大

  • Sklearn中运行效率较慢

  • 难以寻找不同密度下的聚类
算法针对数据点形状和大小有灵活性，且可以识别处理异常值，聚类效果表现优异，如下图：

DBSCAN数据分析实战案例

案例背景：O2O平台为了更好地为线下店面服务，增加一个增值服务，即利用自己拥有的地理位置数据为线下店面选址，数据如下：

每一条数据是一个兴趣点（POI – Point of Interest）的特征，具体指的是以这个位置为中心的500米半径圆里，各类商家/设施的数量，数据中我们隐藏掉了每个POI的具体名称、坐标、类型。选址的商家将试图从这些位置中选择一个作为下一个店面的位置。

 
商家想知道这40个潜在店面位置之间是否有显著的差异。我们可以将所有POI按照相似程度，划分成几个类别？
 
步骤：

数据准备：数据获取、数据清洗、数据变换等步骤，重点是针对分析目的，进行特征选择以及特征标准化；
数据建模：使用DBSCAN算法进行数据建模；
后续分析：聚类模型的特征描述分析，基于业务问题，进一步分析；
 
1、读取数据

2、特征选取

3、标准化

4、建立DBSCAN模型并可视化

5、聚类分析，对每一聚类进行进一步分析和描述

6、根据描述分析，生成poi聚类结果画像，利用聚类，对人群/商品/行为标签进行精细划分，作为进一步商业决策的基础；

 
以上DBSCAN聚类算法就讲完了，关于算法的参数选择通常是基于经验和对数据集的业务了解来确定，可以使用画k距离图的方式来找拐点然后通过观测聚类表现来调优。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。