DBSCAN#

class sklearn.cluster.DBSCAN(eps=0.5, *, min_samples=5, metric='euclidean', metric_params=None, algorithm='auto', leaf_size=30, p=None, n_jobs=None)[source]#

从向量数组或距离矩阵执行 DBSCAN 聚类。

DBSCAN - 基于密度的含噪声应用空间聚类。它能找到高密度的核心样本并从中扩展聚类。适用于包含相似密度聚类的数据。

该实现的内存复杂度在最坏情况下为 \(O({n}^2)\)，这可能发生在 eps 参数较大而 min_samples 较低时，而原始 DBSCAN 仅使用线性内存。更多详情请参阅下面的“备注”。

在用户指南中阅读更多。

参数:
eps浮点数，默认值=0.5

两个样本之间被视为彼此邻近的最大距离。这并非集群内点之间距离的最大界限。这是为您的数据集和距离函数选择合适 DBSCAN 参数最重要的参数。

min_samples整数，默认值=5

一个邻域中被视为核心点的样本数量（或总权重）。这包括该点本身。如果将 min_samples 设置为更高的值，DBSCAN 将找到更密集的聚类；而如果设置为更低的值，找到的聚类将更稀疏。

metric字符串或可调用对象，默认值='euclidean'

计算特征数组中实例之间距离时使用的度量。如果度量是字符串或可调用对象，它必须是 sklearn.metrics.pairwise_distances 允许的度量参数选项之一。如果度量是“precomputed”（预计算），则 X 被假定为距离矩阵且必须是方阵。X 可以是稀疏图，在这种情况下，只有“非零”元素才可能被视为 DBSCAN 的邻居。

0.17 版新增: 度量 precomputed 用于接受预计算的稀疏矩阵。

metric_params字典，默认值=None

度量函数的额外关键字参数。

0.19 版新增。

algorithm{'auto', 'ball_tree', 'kd_tree', 'brute'} 之一，默认值='auto'

NearestNeighbors 模块用于计算点间距离和查找最近邻居的算法。有关详细信息，请参阅 NearestNeighbors 模块文档。

leaf_size整数，默认值=30

传递给 BallTree 或 cKDTree 的叶子大小。这会影响树的构建和查询速度，以及存储树所需的内存。最优值取决于问题的性质。

p浮点数，默认值=None

用于计算点之间距离的闵可夫斯基度量的幂。如果为 None，则 p=2（相当于欧几里得距离）。

n_jobs整数，默认值=None

要运行的并行作业数。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关更多详细信息，请参阅术语表。

属性:
core_sample_indices_形状为 (n_core_samples,) 的 ndarray

核心样本的索引。

components_形状为 (n_core_samples, n_features) 的 ndarray

通过训练找到的每个核心样本的副本。

labels_形状为 (n_samples) 的 ndarray

fit() 方法中给定数据集中每个点的聚类标签。噪声样本被赋予标签 -1。

n_features_in_整数

在fit期间看到的特征数量。

0.24 版新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在fit期间看到的特征名称。仅当 X 的所有特征名称都是字符串时才定义。

1.0 版新增。

另请参阅

OPTICS

在多个 eps 值下进行类似的聚类。我们的实现针对内存使用进行了优化。

备注

此实现批量计算所有邻域查询，这将内存复杂度增加到 O(n.d)，其中 d 是平均邻居数，而原始 DBSCAN 的内存复杂度为 O(n)。根据所使用的 algorithm，在查询这些最近邻域时可能会导致更高的内存复杂度。

避免查询复杂性的一种方法是，使用 NearestNeighbors.radius_neighbors_graph 并设置 mode='distance' 来分块预计算稀疏邻域，然后在此处使用 metric='precomputed'。

另一种减少内存和计算时间的方法是移除（近似）重复点，并改用 sample_weight。

OPTICS 提供了一种类似的聚类方法，且内存使用量较低。

参考文献

Ester, M., H. P. Kriegel, J. Sander, and X. Xu, “一种用于发现大型空间数据库中带噪声聚类的基于密度的算法”。收录于：第二届国际知识发现与数据挖掘会议论文集，俄勒冈州波特兰，AAAI出版社，第226-231页。1996

Schubert, E., Sander, J., Ester, M., Kriegel, H. P., & Xu, X. (2017)。“DBSCAN 再探究，再探究：为什么以及如何（仍然）使用 DBSCAN。” ACM Transactions on Database Systems (TODS), 42(3), 19。

示例

>>> from sklearn.cluster import DBSCAN
>>> import numpy as np
>>> X = np.array([[1, 2], [2, 2], [2, 3],
...               [8, 7], [8, 8], [25, 80]])
>>> clustering = DBSCAN(eps=3, min_samples=2).fit(X)
>>> clustering.labels_
array([ 0,  0,  0,  1,  1, -1])
>>> clustering
DBSCAN(eps=3, min_samples=2)

有关示例，请参阅DBSCAN 聚类算法演示。

有关 DBSCAN 与其他聚类算法的比较，请参阅在玩具数据集上比较不同的聚类算法

fit(X, y=None, sample_weight=None)[source]#

从特征或距离矩阵执行 DBSCAN 聚类。

参数:
X形状为 (n_samples, n_features) 或 (n_samples, n_samples) 的 {array-like, 稀疏矩阵}

要聚类的训练实例，如果 metric='precomputed' 则为实例之间的距离。如果提供了稀疏矩阵，它将被转换为稀疏的 csr_matrix。

y被忽略

未使用，按约定此处存在以保持 API 一致性。

sample_weight形状为 (n_samples,) 的 array-like，默认值=None

每个样本的权重，使得权重至少为 min_samples 的样本本身就是核心样本；具有负权重的样本可能会阻止其 eps 邻居成为核心样本。请注意，权重是绝对值，默认为 1。

返回:
self对象

返回一个拟合后的自身实例。

fit_predict(X, y=None, sample_weight=None)[source]#

从数据或距离矩阵计算聚类并预测标签。

参数:
X形状为 (n_samples, n_features) 或 (n_samples, n_samples) 的 {array-like, 稀疏矩阵}

要聚类的训练实例，如果 metric='precomputed' 则为实例之间的距离。如果提供了稀疏矩阵，它将被转换为稀疏的 csr_matrix。

y被忽略

未使用，按约定此处存在以保持 API 一致性。

sample_weight形状为 (n_samples,) 的 array-like，默认值=None

每个样本的权重，使得权重至少为 min_samples 的样本本身就是核心样本；具有负权重的样本可能会阻止其 eps 邻居成为核心样本。请注意，权重是绝对值，默认为 1。

返回:
labels形状为 (n_samples,) 的 ndarray

聚类标签。噪声样本被赋予标签 -1。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为 True，将返回此估计器及其包含的子对象（如果它们是估计器）的参数。

返回:
params字典

参数名称映射到其值。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DBSCAN[source]#

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（请参阅 sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项为：

  • True: 请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略该请求。

  • False: 不请求元数据，且元估计器不会将其传递给 fit。

  • None: 不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str: 元数据应以这个给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 中使用时。否则，它没有效果。

参数:
sample_weight字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 参数的元数据路由。

返回:
self对象

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数:
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。