DBSCAN聚类算法原理与Python实现详解

1. DBSCAN算法核心原理剖析

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的空间聚类算法，它通过定义"密度可达性"来发现任意形状的簇，并能够有效识别噪声点。与K-Means等基于距离的聚类算法不同，DBSCAN不需要预先指定簇的数量，这使得它在处理真实世界数据时具有显著优势。

1.1 密度连接的基本概念

DBSCAN的核心思想建立在三个关键定义上：

• ε-邻域（ε-neighborhood）：对于数据集中的任意一点p，其ε-邻域定义为与p的距离不超过ε的所有点的集合。数学表达式为：

  Nε(p) =

• 核心点（Core Point）：如果一个点的ε-邻域内至少包含min_samples个点（包括自身），则该点称为核心点。

• 密度可达（Density-Reachable）：如果存在一个点序列p1,p2,...,pn，其中p1=q，pn=p，且pi+1在pi的ε-邻域内，pi是核心点，则称p从q密度可达。

1.2 算法执行流程解析

DBSCAN的工作流程可以分为以下几个步骤：

1. 初始化：将所有点标记为未访问，初始化簇ID为0
2. 遍历点集：对于每个未访问的点p：
   a. 标记p为已访问
   b. 找出p的ε-邻域内的所有点
   c. 如果邻域内点数<min_samples，标记p为噪声
   d. 否则，创建一个新簇，并将p加入该簇
3. 扩展簇：对于p的每个邻域点q：
   a. 如果q未访问，标记为已访问
   b. 找出q的ε-邻域内的所有点
   c. 如果邻域内点数≥min_samples，将这些点加入当前簇
4. 重复：直到所有点都被访问

1.3 与K-Means的对比分析

在实际应用中，DBSCAN在识别非球形簇和噪声点方面表现优异。例如，在鸢尾花数据集上，DBSCAN的平均准确率可达0.96，而K-Means仅为0.92。

2. DBSCAN算法实现详解

2.1 核心代码实现

下面是一个完整的DBSCAN实现，包含核心算法逻辑和必要的辅助函数：

python复制import numpy as np

class DBSCAN:
    def __init__(self, eps=0.5, min_samples=5):
        self.eps = eps
        self.min_samples = min_samples
        self.labels = None
    
    def _euclidean_distance(self, x1, x2):
        return np.sqrt(np.sum((x1 - x2) ** 2))
    
    def _get_neighbors(self, X, point_idx):
        neighbors = []
        for i in range(len(X)):
            if self._euclidean_distance(X[point_idx], X[i]) <= self.eps:
                neighbors.append(i)
        return neighbors
    
    def fit(self, X):
        n_samples = X.shape[0]
        self.labels = np.full(n_samples, -1)  # -1表示未访问
        cluster_id = 0
        
        for i in range(n_samples):
            if self.labels[i] != -1:
                continue
                
            neighbors = self._get_neighbors(X, i)
            
            if len(neighbors) < self.min_samples:
                self.labels[i] = -2  # 标记为噪声
                continue
                
            self.labels[i] = cluster_id
            seed_set = set(neighbors)
            seed_set.discard(i)
            
            while seed_set: