Кластеризация DBSCAN

DBSCAN означает пространственную кластеризацию приложений с шумом на основе плотности. Он определяет локальные окрестности, используя радиус эпсилон и минимальное количество точек min_samples. Основная точка имеет достаточно наблюдений в своей окрестности, чтобы достичь порога. Кластер растет за счет соединения основных точек, достижимых по плотности. Точки, расположенные рядом с центральной точкой, но имеющие слишком мало соседей, чтобы считаться ядром, могут быть граничными точками. Наблюдения, не отнесенные к кластеру, в этом прогоне рассматриваются как шум или выбросы. В отличие от k-средних, DBSCAN не требует количества кластеров в качестве входных данных и может идентифицировать изогнутые или неправильные плотные области. Его понятие плотности зависит от метрики расстояния, масштабирования объектов и параметров. Слишком маленький эпсилон может пометить многие точки как шум; слишком большой эпсилон может объединить близлежащие группы. Увеличение min_samples обычно требует более плотной поддержки основного состояния. Выбор параметров должен отражать значимый масштаб окрестности и проверяться на основе знаний предметной области, а не выбираться исключительно для получения привлекательного количества кластеров. С единым глобальным порогом плотности могут возникнуть проблемы, когда один настоящий кластер намного менее плотный, чем другой. Концентрация больших расстояний также может ослабить интуицию соседства. Результат может варьироваться в зависимости от показателя расстояния и представления объекта. В scikit-learn метка -1 обозначает шум, а граничные точки, связанные с несколькими кластерами, могут привести к деталям назначения, зависящим от реализации. Шумовая метка DBSCAN не означает, что точка ошибочна, опасна или постоянно находится вне каждого кластера; это означает, что точка не была назначена по этой метрике и параметризации. Оцените стабильность кластера при разумных настройках, проверьте, сколько точек является шумом и имеют ли кластеры смысл для данной задачи. Если необходимо назначить каждую точку или плотность кластеров существенно различается, сравните их с другими методами. В отличие от методов, основанных на центроидах, DBSCAN, естественно, не предоставляет правила прогнозирования для назначения произвольных новых точек без дополнительной разработки. Документируйте масштабирование, метрику, эпсилон и min_samples, чтобы результаты можно было воспроизвести.