如何让任意sklearn模型输出运行日志？无verbose参数的DBSCAN如何查看迭代进度

前提说明 #

DBSCAN不存在迭代轮次（epoch）的概念，它是基于密度的确定性聚类算法，执行逻辑为单次遍历标记核心点、扩展聚类，不存在多轮迭代收敛过程，也不会出现无限循环的情况。你提到的epoch是K-means、GMM这类迭代优化类聚类的属性，和DBSCAN的实现逻辑不符。

进度监控实现方案 #

• 轻量自定义实现（无需重写全套DBSCAN逻辑）
  你可以保留sklearn DBSCAN的核心逻辑，仅在遍历样本、扩展聚类的节点插入自定义回调函数，即可实现进度打印、指标计算的需求，和sklearn原生输出完全一致，示例代码如下：

import numpy as np
from sklearn.neighbors import NearestNeighbors
from sklearn.metrics import jaccard_score

def dbscan_with_verbose(X, y_true=None, eps=0.5, min_samples=5, metric='jaccard', print_interval=10):
    # 邻域计算复用sklearn的高效实现，和原生DBSCAN逻辑对齐
    nbrs = NearestNeighbors(radius=eps, metric=metric).fit(X)
    neighborhoods = nbrs.radius_neighbors(X, return_distance=False)
    n_samples = X.shape[0]
    labels = -np.ones(n_samples, dtype=int)
    core_samples = np.zeros(n_samples, dtype=bool)
    
    # 标记核心样本
    for i in range(n_samples):
        if len(neighborhoods[i]) >= min_samples:
            core_samples[i] = True
    
    current_label = 0
    for i in range(n_samples):
        if labels[i] != -1 or not core_samples[i]:
            continue
        
        # 每处理N个聚类打印一次进度
        if current_label % print_interval == 0:
            process_pct = round((i+1)/n_samples * 100, 2)
            print(f"已处理聚类数：{current_label}，样本处理进度：{process_pct}%")
            # 有真实标签的话可以打印Jaccard指数
            if y_true is not None:
                valid_mask = labels != -1
                if valid_mask.sum() > 0:
                    score = jaccard_score(y_true[valid_mask], labels[valid_mask], average='macro')
                    print(f"当前Jaccard指数：{round(score, 4)}")
        
        # 广度优先扩展聚类，和原生DBSCAN逻辑一致
        labels[i] = current_label
        queue = list(neighborhoods[i])
        while queue:
            p = queue.pop(0)
            if labels[p] == -1:
                labels[p] = current_label
                if core_samples[p]:
                    queue.extend(neighborhoods[p])
        current_label += 1
    
    return labels, core_samples

你可以直接调用这个函数得到和sklearn DBSCAN().fit_predict()完全一致的输出，也可以把逻辑封装成sklearn兼容的Estimator类，适配sklearn的pipeline。

• 原生接口耗时预估
  如果不想修改实现，你可以利用DBSCAN O(n log n)的时间复杂度特性，先取10%~20%的样本测试运行耗时，再线性预估全量样本的运行时间，不需要监控中间过程。
• Monkey Patch方案（不推荐）
  可以通过重写sklearn底层_dbscan_inner函数的方式插入打印逻辑，但该实现依赖sklearn的内部源码结构，版本升级后容易出现兼容问题，不建议使用。

内容的提问来源于stack exchange，提问作者Alex Pharaon