DBSCAN 密度聚类：发现任意形状的簇

FreeGuideOnline 最新 2026-06-16

DBSCAN 密度聚类：以数据密度重塑簇的边界

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，与K-Means等基于距离的方法不同，它通过样本分布的紧密程度来划分簇，能够发现任意形状的簇并自动识别噪声点。作为初学者，理解DBSCAN的核心是抓住“密度相连”这一思想，而不需要预先指定簇的数量。

核心概念：密度的语言

DBSCAN 用两个关键参数定义密度的含义：eps（邻域半径）和 min_samples（密度阈值）。基于这两个参数，数据点被分为三类。

  • ε-邻域：对于给定点p，以p为圆心、eps为半径的圆形区域称为p的ε-邻域。该区域内的样本数称为p的密度。
  • 核心点（Core Point）：若点p的ε-邻域内至少包含 min_samples 个样本（含自身），则p是核心点。这些区域是簇的骨架。
  • 边界点（Border Point）：点q的密度不足 min_samples，但落在某个核心点的ε-邻域内。边界点被归入该核心点所在的簇，但无法通过自身进一步扩展簇。
  • 噪声点（Noise Point）：既非核心点也非边界点的样本，视为游离于任何簇之外的噪声。
图示理解：
核心点像城市中心，人口密集（邻居≥min_samples）；
边界点像城郊，自身邻居少但紧挨市中心；
噪声点则是荒野孤屋，远离任何人口密集区。

簇的形成：密度可达与密度相连

DBSCAN 通过“密度可达”和“密度相连”的关系将核心点连结起来，最终形成簇。

  • 直接密度可达：若点q在核心点p的ε-邻域内，则称q从p出发是直接密度可达的。注意对称性不成立，除非q也是核心点。
  • 密度可达：存在一串核心点序列 p₁, p₂, …, pₙ，使得 pᵢ₊₁ 从 pᵢ 直接密度可达，则 pₙ 从 p₁ 密度可达。这种传递关系是非对称的（仅由核心点向前传递）。
  • 密度相连：若存在点o使点p和点q均从o密度可达，则p与q密度相连。密度相连是对称关系，它是定义簇的依据。

一个簇就是由密度相连性导出的最大密度相连样本集合。噪声点不与任何簇密度相连。

算法如何工作：逐步流程

  1. 参数设定：给定 eps 和 min_samples。
  2. 标记所有点为“未访问”。
  3. 随机选择未访问点p，标记为“已访问”。检查p的ε-邻域样本数。
  4. 若p是核心点：创建新簇C，将p所有密度可达点加入C（通过持续搜索邻域内的核心点来扩展簇）。
  5. 若p是边界点：暂时将其标记为噪声，后续可能被某个核心点划入簇中。
  6. 重复，直到所有点都被访问。
  7. 最终未被归入任何簇的点标记为噪声。

该过程无需迭代更新质心，直接一次扫描完成，效率上受益于空间索引（如KD-Tree）的邻域查询优化。

参数选择：eps 与 min_samples 的实战智慧

参数的选择直接决定聚类质量。没有绝对通用的数值，但有一套可实践的方法。

  • min_samples：经验法则通常设为数据维度的2倍或更大，但至少 ≥ 3。较大的值会要求更高的密度，导致更少的簇和更多噪声；较小的值则相反。对于有噪声的数据，可以适当增大 min_samples。
  • eps：最需要调优的参数。k-距离图是经典方法：对每个点计算其到第k个最近邻的距离（k = min_samples - 1），将所有点的该距离升序排列并绘图，寻找曲线“肘部”位置。肘部对应的距离值常作为 eps 的良好候选。太小导致大量离散噪声，太大则合并不同簇。
  • 迭代调整：固定 min_samples，尝试不同的 eps，观察聚类数目与噪声率的变化，选择业务上解释性最佳的参数组合。

优势与局限：何时选择DBSCAN

优势

  • 能发现任意形状的簇，不受球形假设限制。
  • 天然抗噪声，直接将异常点标记为噪声。
  • 无需预先指定簇数量。
  • 对数据输入顺序不敏感。

局限

  • 对参数 eps 高度敏感，难调优。
  • 无法良好处理密度差异悬殊的数据集：全局单一密度阈值会丢失稀疏簇或合并稠密簇。
  • 高维数据上距离度量失效（维度灾难），密度变得均匀，算法性能下降。此时需先降维。
  • 计算邻域时需要高效索引，最坏情况下复杂度 O(n²)。

Python 实战：用 sklearn 实现并可视化

以下示例生成包含噪声的月牙形数据集，展示DBSCAN识别任意形状簇的能力。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
from sklearn.preprocessing import StandardScaler

# 1. 生成双月牙数据，添加噪声
X, y_true = make_moons(n_samples=300, noise=0.06, random_state=42)
X = StandardScaler().fit_transform(X)  # 标准化，使距离更有意义

# 2. 构建DBSCAN模型
db = DBSCAN(eps=0.25, min_samples=5).fit(X)
labels = db.labels_

# 3. 识别核心样本与噪声
core_samples_mask = np.zeros_like(labels, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
n_noise = list(labels).count(-1)

print(f'估计簇数: {n_clusters}')
print(f'噪声点数: {n_noise}')

# 4. 可视化
unique_labels = set(labels)
colors = [plt.cm.Spectral(each) for each in np.linspace(0, 1, len(unique_labels))]
for k, col in zip(unique_labels, colors):
    if k == -1:
        col = [0, 0, 0, 1]  # 黑色表示噪声

    class_member_mask = (labels == k)
    xy = X[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col), markeredgecolor='k', markersize=14)

    xy = X[class_member_mask & ~core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col), markeredgecolor='k', markersize=6)

plt.title(f'DBSCAN: 发现{n_clusters}个簇, {n_noise}个噪声点')
plt.show()

修改 eps 和 min_samples 会显著改变结果。将 eps=0.25 改为 0.15 会拆出更多小簇和噪声；改为 0.35 可能将两个月牙连成一体。这正是参数敏感性的直观体现。

进阶主题与衍生算法

  • OPTICS：为应对密度差异和 eps 难选的问题，OPTICS通过可达距离生成有序列表，从中提取不同密度层次的聚类，无需指定单一 eps。
  • HDBSCAN：基于层次密度聚类，自适应地选择簇，只需 min_cluster_size 一个主要参数，鲁棒性更强，已成为现代密度聚类的首选之一。

最佳实践总结

  1. 对数据进行标准化或归一化，消除量纲影响。
  2. 绘制k-距离图辅助选择 eps，min_samples 参考维度。
  3. 结合领域知识验证簇的合理性，必要时尝试OPTICS/HDBSCAN。
  4. 高维数据先使用PCA、t-SNE等降维。
  5. 评估时使用轮廓系数等指标，但注意轮廓系数对密度聚类可能产生误导，可改用密度聚类评估指数（DBCV）。

通过理解密度相连的逻辑，并亲手调参与可视化，你将能灵活运用DBSCAN解决现实世界中形状复杂的聚类任务。