注意
转到末尾 下载完整的示例代码。或通过JupyterLite或Binder在您的浏览器中运行此示例
HDBSCAN聚类算法演示#
在本演示中，我们将从推广cluster.DBSCAN算法的角度，研究cluster.HDBSCAN。我们将比较这两种算法在特定数据集上的表现。最后，我们将评估HDBSCAN对某些超参数的敏感性。
首先，我们定义几个实用函数以方便使用。
# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import DBSCAN, HDBSCAN
from sklearn.datasets import make_blobs
def plot(X, labels, probabilities=None, parameters=None, ground_truth=False, ax=None):
if ax is None:
_, ax = plt.subplots(figsize=(10, 4))
labels = labels if labels is not None else np.ones(X.shape[0])
probabilities = probabilities if probabilities is not None else np.ones(X.shape[0])
# Black removed and is used for noise instead.
unique_labels = set(labels)
colors = [plt.cm.Spectral(each) for each in np.linspace(0, 1, len(unique_labels))]
# The probability of a point belonging to its labeled cluster determines
# the size of its marker
proba_map = {idx: probabilities[idx] for idx in range(len(labels))}
for k, col in zip(unique_labels, colors):
if k == -1:
# Black used for noise.
col = [0, 0, 0, 1]
class_index = np.where(labels == k)[0]
for ci in class_index:
ax.plot(
X[ci, 0],
X[ci, 1],
"x" if k == -1 else "o",
markerfacecolor=tuple(col),
markeredgecolor="k",
markersize=4 if k == -1 else 1 + 5 * proba_map[ci],
)
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
preamble = "True" if ground_truth else "Estimated"
title = f"{preamble} number of clusters: {n_clusters_}"
if parameters is not None:
parameters_str = ", ".join(f"{k}={v}" for k, v in parameters.items())
title += f" | {parameters_str}"
ax.set_title(title)
plt.tight_layout()
生成样本数据#
HDBSCAN优于DBSCAN的最大优势之一是其开箱即用的鲁棒性。在异构数据混合中，这一点尤其显著。与DBSCAN一样，它可以模拟任意形状和分布，但是与DBSCAN不同的是，它不需要指定任意且敏感的eps超参数。
例如，下面我们从三个二维各向同性高斯分布的混合中生成一个数据集。
centers = [[1, 1], [-1, -1], [1.5, -1.5]]
X, labels_true = make_blobs(
n_samples=750, centers=centers, cluster_std=[0.4, 0.1, 0.75], random_state=0
)
plot(X, labels=labels_true, ground_truth=True)
尺度不变性#
值得记住的是，虽然DBSCAN为eps参数提供了默认值，但它几乎没有合适的默认值，必须针对使用中的特定数据集进行调整。
作为一个简单的演示，考虑针对一个数据集调整的eps值进行的聚类，以及使用相同的值但应用于数据集的重新缩放版本所获得的聚类。
fig, axes = plt.subplots(3, 1, figsize=(10, 12))
dbs = DBSCAN(eps=0.3)
for idx, scale in enumerate([1, 0.5, 3]):
dbs.fit(X * scale)
plot(X * scale, dbs.labels_, parameters={"scale": scale, "eps": 0.3}, ax=axes[idx])
实际上，为了保持相同的结果，我们将必须按相同的比例缩放eps。
fig, axis = plt.subplots(1, 1, figsize=(12, 5))
dbs = DBSCAN(eps=0.9).fit(3 * X)
plot(3 * X, dbs.labels_, parameters={"scale": 3, "eps": 0.9}, ax=axis)
虽然标准化数据（例如，使用sklearn.preprocessing.StandardScaler）有助于减轻这个问题，但必须非常小心地选择eps的适当值。
从这个意义上说，HDBSCAN更加稳健：HDBSCAN可以看作是在所有可能的eps值上进行聚类，并从所有可能的聚类中提取最佳聚类（参见用户指南）。一个直接的优势是HDBSCAN是尺度不变的。
fig, axes = plt.subplots(3, 1, figsize=(10, 12))
hdb = HDBSCAN()
for idx, scale in enumerate([1, 0.5, 3]):
hdb.fit(X * scale)
plot(
X * scale,
hdb.labels_,
hdb.probabilities_,
ax=axes[idx],
parameters={"scale": scale},
)
多尺度聚类#
然而，HDBSCAN不仅仅是尺度不变的——它能够进行多尺度聚类，这考虑了具有不同密度的聚类。传统的DBSCAN假设任何潜在的聚类在密度上都是均匀的。HDBSCAN不受此类约束。为了证明这一点，我们考虑以下数据集
centers = [[-0.85, -0.85], [-0.85, 0.85], [3, 3], [3, -3]]
X, labels_true = make_blobs(
n_samples=750, centers=centers, cluster_std=[0.2, 0.35, 1.35, 1.35], random_state=0
)
plot(X, labels=labels_true, ground_truth=True)
由于密度和空间分离的变化，这个数据集对DBSCAN来说更难处理。
如果
eps太大，那么我们就有可能错误地将两个密集的聚类聚类为一个，因为它们的相互可达性将扩展聚类。如果
eps太小，那么我们就有可能将稀疏的聚类分割成许多错误的聚类。
更不用说这需要手动调整eps的选择，直到我们找到一个我们满意的权衡。
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
params = {"eps": 0.7}
dbs = DBSCAN(**params).fit(X)
plot(X, dbs.labels_, parameters=params, ax=axes[0])
params = {"eps": 0.3}
dbs = DBSCAN(**params).fit(X)
plot(X, dbs.labels_, parameters=params, ax=axes[1])
为了正确地对两个密集的聚类进行聚类，我们需要一个较小的epsilon值，但是当eps=0.3时，我们已经将稀疏的聚类分割了，随着我们减小epsilon，这种情况只会变得更加严重。事实上，DBSCAN似乎无法同时分离两个密集的聚类，同时又防止稀疏的聚类发生分割。让我们与HDBSCAN进行比较。
hdb = HDBSCAN().fit(X)
plot(X, hdb.labels_, hdb.probabilities_)
HDBSCAN能够适应数据集的多尺度结构，而无需参数调整。虽然任何足够有趣的数据集都需要调整，但这种情况表明，HDBSCAN可以在没有用户干预的情况下产生定性上更好的聚类类别，而这些类别是通过DBSCAN无法访问的。
超参数鲁棒性#
最终，调整将成为任何实际应用中的一个重要步骤，所以让我们来看看HDBSCAN的一些最重要的超参数。虽然HDBSCAN没有DBSCAN的eps参数，但它仍然有一些超参数，例如min_cluster_size和min_samples，它们可以调整其关于密度的结果。然而，我们将看到，由于这些参数的明确含义有助于调整它们，因此HDBSCAN对于各种实际示例来说相对稳健。
min_cluster_size#
min_cluster_size是一组中样本的最小数量，该组才能被视为一个聚类。
小于此大小的聚类将被视为噪声。默认值为5。通常根据需要将此参数调整为较大的值。较小的值可能会导致标记为噪声的点数较少的结果。但是，太小的值会导致错误的子聚类被选中并优先考虑。较大的值对于噪声数据集（例如，具有显著重叠的高方差聚类）往往更稳健。
PARAM = ({"min_cluster_size": 5}, {"min_cluster_size": 3}, {"min_cluster_size": 25})
fig, axes = plt.subplots(3, 1, figsize=(10, 12))
for i, param in enumerate(PARAM):
hdb = HDBSCAN(**param).fit(X)
labels = hdb.labels_
plot(X, labels, hdb.probabilities_, param, ax=axes[i])
min_samples#
min_samples是一个点被视为核心点的邻域中样本的数量，包括该点本身。min_samples默认为min_cluster_size。与min_cluster_size类似，min_samples的较大值会提高模型对噪声的鲁棒性，但可能会忽略或丢弃潜在的有效但小的聚类。min_samples最好在找到min_cluster_size的良好值之后进行调整。
PARAM = (
{"min_cluster_size": 20, "min_samples": 5},
{"min_cluster_size": 20, "min_samples": 3},
{"min_cluster_size": 20, "min_samples": 25},
)
fig, axes = plt.subplots(3, 1, figsize=(10, 12))
for i, param in enumerate(PARAM):
hdb = HDBSCAN(**param).fit(X)
labels = hdb.labels_
plot(X, labels, hdb.probabilities_, param, ax=axes[i])
dbscan_clustering#
在fit过程中，HDBSCAN构建一个单链接树，该树编码了所有点在DBSCAN的eps参数所有值上的聚类结果。因此，我们可以高效地绘制和评估这些聚类结果，而无需完全重新计算中间值，例如核心距离、互达距离和最小生成树。我们只需要指定想要聚类的cut_distance（等效于eps）。
PARAM = (
{"cut_distance": 0.1},
{"cut_distance": 0.5},
{"cut_distance": 1.0},
)
hdb = HDBSCAN()
hdb.fit(X)
fig, axes = plt.subplots(len(PARAM), 1, figsize=(10, 12))
for i, param in enumerate(PARAM):
labels = hdb.dbscan_clustering(**param)
plot(X, labels, hdb.probabilities_, param, ax=axes[i])
脚本总运行时间：（0 分钟 15.245 秒）
相关示例
