Press "Enter" to skip to content

如何用DBSCAN聚类模型做数据分析?

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

 

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。

 

 

什幺是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),那幺该点即称为核心点;

 

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,那幺该点称为边界点;

 

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着的差异。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。

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注