DBSCAN聚类标签-1与0的含义及优化方法咨询

一、聚类标签的含义 #

• -1：代表噪声点/异常点，这类样本不符合DBSCAN定义的核心点或边界点规则，无法被归入任何一个聚类簇。
• 0：代表被划分到第0个聚类簇中的样本集合。

二、聚类结果优化方案 #

1. 调整DBSCAN核心参数 #

DBSCAN的聚类效果高度依赖eps（邻域半径）和min_samples（核心点所需的邻域样本数）两个参数，当前参数设置导致簇数量过少，可按以下方向调整：

• 缩小eps值：当前eps=3.3过大，使得大部分样本被合并到同一个簇。建议从3.0开始逐步减小（每次减0.2），观察簇数量变化，直到得到合理的多簇划分。
• 增大min_samples值：当前min_samples=3较低，尝试提升到5、7等数值，能过滤更多离散噪声，同时可能拆分出更多簇。

可以通过遍历参数组合，结合轮廓系数评估效果：

from sklearn.cluster import DBSCAN
from sklearn.metrics import silhouette_score

eps_candidates = [2.0, 2.5, 2.8, 3.0]
min_samples_candidates = [3, 4, 5]

for eps in eps_candidates:
    for min_samples in min_samples_candidates:
        model = DBSCAN(eps=eps, min_samples=min_samples, leaf_size=5)
        y_pred = model.fit_predict(df)
        valid_labels = y_pred[y_pred != -1]
        # 仅评估有效簇的轮廓系数
        if len(set(valid_labels)) >= 2:
            score = silhouette_score(df[y_pred != -1], valid_labels)
            print(f"eps={eps}, min_samples={min_samples}, 有效簇轮廓系数={score:.4f}, 簇标签={set(y_pred)}")
        else:
            print(f"eps={eps}, min_samples={min_samples}, 簇标签={set(y_pred)}")

2. 更换距离度量方式 #

DBSCAN默认使用欧氏距离，对于多维数据，马氏距离更适合（考虑了特征间的相关性），可尝试自定义距离函数：

import numpy as np
from scipy.spatial.distance import mahalanobis
from sklearn.cluster import DBSCAN

# 计算数据协方差矩阵的逆矩阵
cov_inv = np.linalg.inv(np.cov(df.T))

# 自定义马氏距离函数
def mahalanobis_distance(x, y):
    return mahalanobis(x, y, cov_inv)

# 应用自定义距离的DBSCAN
model = DBSCAN(eps=1.5, min_samples=4, metric=mahalanobis_distance, leaf_size=5)
y_pred = model.fit_predict(df)

3. 验证数据预处理逻辑 #

你的数据已做标准化，但Gender是0/1二值特征，需确认其尺度是否与其他连续特征匹配。若二值特征的尺度对距离计算影响过大，可尝试单独调整其权重或保持原尺度，避免被连续特征主导聚类结果。

4. 尝试OPTICS算法 #

如果DBSCAN调参后效果仍不理想，可尝试OPTICS算法（DBSCAN的改进版），它无需手动设置eps，能自动识别不同密度的簇：

from sklearn.cluster import OPTICS

model = OPTICS(min_samples=3, leaf_size=5)
y_pred = model.fit_predict(df)
print("聚类标签集合：", set(y_pred))

内容的提问来源于stack exchange，提问作者wel