sklearn之基於DBSCAN的聚類算法

'''
    DBSCAN算法:從樣本空間中任意選擇一個樣本，以事先給定的半徑做圓，凡被該圓圈中的樣本都視為與該樣本處於相同的聚類，
            以這些被圈中的樣本為圓心繼續做圓，重復以上過程，不斷擴大被圈中樣本的規模，直到再也沒有新的樣本加入為止，
            至此即得到一個聚類。於剩余樣本中，重復以上過程，直到耗盡樣本空間中的所有樣本為止。

        DBSCAN算法的特點：
            1.事先給定的半徑會影響最后的聚類效果，可以借助輪廓系數選擇較優的方案。
            2.根據聚類的形成過程，把樣本細分為以下三類：
                外周樣本：被其它樣本聚集到某個聚類中，但無法再引入新樣本的樣本。
                孤立樣本：聚類中的樣本數低於所設定的下限，則不稱其為聚類，反之稱其為孤立樣本。
                核心樣本：除了外周樣本和孤立樣本以外的樣本。
'''

import numpy as np
import matplotlib.pyplot as mp
import sklearn.cluster as sc
import sklearn.metrics as sm

# 讀取數據，繪制圖像
x = np.loadtxt('./ml_data/multiple3.txt', unpack=False, dtype='f8', delimiter=',')
print(x.shape)

# 選擇最優半徑
epsilons = np.linspace(0.3, 1.0, 8)
models, scores = [], []
for epsilon in epsilons:
    # 針對每個半徑構建DBSCAN模型
    model = sc.DBSCAN(eps=epsilon, min_samples=5)
    model.fit(x)
    score = sm.silhouette_score(x, model.labels_, sample_size=len(x), metric='euclidean')
    models.append(model)
    scores.append(score)
index = np.array(scores).argmax()
best_model = models[index]
best_eps = epsilons[index]
best_score = scores[index]
print(best_eps, best_model, best_score)
# DBSAN算法的副產品   獲取核心樣本的下標
core_indices = best_model.core_sample_indices_
core_mask = np.zeros(len(x), dtype='bool')
core_mask[core_indices] = True
print(core_mask)
# 獲取孤立樣本的掩碼
offset_mask = best_model.labels_ == -1
print(offset_mask)
# 獲取外周樣本的掩碼
p_mask = ~(core_mask | offset_mask)
print(p_mask)
# 分別輸出核心點坐標、孤立點坐標和外周點坐標
print('核心點坐標：', x[core_mask], sep='\n')
print('孤立點坐標：', x[offset_mask], sep='\n')
print('外周點坐標：', x[p_mask], sep='\n')

# 畫圖顯示樣本數據
mp.figure('DBSCAN', facecolor='lightgray')
mp.title('DBSCAN', fontsize=16)
mp.xlabel('X', fontsize=14)
mp.ylabel('Y', fontsize=14)
mp.tick_params(labelsize=10)
mp.scatter(x[core_mask][:, 0], x[core_mask][:, 1], s=80, c=best_model.labels_[core_mask], label='core')
mp.scatter(x[offset_mask][:, 0], x[offset_mask][:, 1], s=80, c=best_model.labels_[offset_mask], label='offset')
mp.scatter(x[p_mask][:, 0], x[p_mask][:, 1], s=80, c=best_model.labels_[p_mask], label='p')
mp.legend()
mp.show()


輸出結果：
(200, 2)
0.7999999999999999 DBSCAN(algorithm='auto', eps=0.7999999999999999, leaf_size=30,
       metric='euclidean', metric_params=None, min_samples=5, n_jobs=None,
       p=None) 0.41779833446624154
[False  True  True  True  True  True  True  True  True  True False  True
  True  True  True  True  True  True  True False  True  True  True  True
  True  True False  True  True  True  True  True  True  True  True  True
  True  True  True  True  True  True  True  True  True  True False  True
  True  True  True  True  True  True  True  True False  True  True  True
  True  True  True  True  True  True  True  True  True  True  True  True
  True  True  True  True False  True  True  True  True  True  True  True
  True  True  True  True  True  True  True  True  True  True  True  True
 False  True  True  True  True  True  True  True  True  True  True False
  True  True  True  True  True  True  True  True False  True  True  True
  True  True  True False  True  True False  True  True  True False False
  True  True  True  True False  True  True  True  True  True  True False
  True False  True  True False  True  True  True False  True  True  True
  True  True False False  True  True  True  True False  True  True False
  True  True  True  True  True  True  True  True  True  True  True  True
  True  True  True  True  True  True  True  True  True  True  True  True
  True  True False  True  True  True  True  True]
[False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False  True False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False  True False False False False False False False
 False False False False  True False False False False False False False
 False False False False False False False False  True False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False]
[ True False False False False False False False False False  True False
 False False False False False False False  True False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False  True False
 False False False False False False False False  True False False False
 False False False False False False False False False False False False
 False False False False  True False False False False False False False
 False False False False False False False False False False False False
  True False False False False False False False False False False  True
 False False False False False False False False  True False False False
 False False False  True False False  True False False False  True  True
 False False False False False False False False False False False  True
 False  True False False False False False False  True False False False
 False False  True  True False False False False False False False  True
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False  True False False False False False]
核心點坐標：
[[2.84 3.16]
 [4.74 1.84]
 [6.36 4.89]
 [1.77 1.55]
 [4.29 6.74]
 [5.78 0.95]
 [8.36 5.2 ]
 [1.76 2.9 ]
 [3.2  4.98]
 [6.02 6.12]
 [2.91 1.74]
 [3.81 6.2 ]
 [5.67 2.19]
 [6.93 5.8 ]
 [1.84 1.36]
 [3.5  5.6 ]
 [5.77 1.54]
 [2.1  1.68]
 [3.98 4.85]
 [5.64 3.35]
 [7.59 6.79]
 [1.92 3.93]
 [3.93 5.7 ]
 [7.24 6.23]
 [1.36 1.47]
 [1.78 5.39]
 [5.93 1.19]
 [7.34 5.58]
 [1.86 1.99]
 [3.2  5.19]
 [5.62 2.45]
 [6.31 5.37]
 [1.49 1.8 ]
 [2.13 5.29]
 [5.57 2.77]
 [6.77 5.8 ]
 [1.79 2.13]
 [3.71 4.65]
 [5.46 1.92]
 [6.53 5.14]
 [2.06 2.56]
 [4.03 4.89]
 [7.25 4.27]
 [2.77 2.91]
 [2.98 4.4 ]
 [5.21 3.07]
 [6.54 4.05]
 [1.59 1.04]
 [1.65 5.41]
 [6.53 1.76]
 [6.77 5.59]
 [2.21 4.57]
 [5.58 1.88]
 [7.61 4.95]
 [1.8  1.25]
 [2.77 5.71]
 [5.13 2.4 ]
 [7.14 5.6 ]
 [1.83 1.26]
 [2.78 5.67]
 [5.76 2.64]
 [6.71 6.01]
 [2.64 1.86]
 [3.21 5.09]
 [7.23 1.22]
 [6.47 5.5 ]
 [2.46 2.51]
 [1.92 3.94]
 [5.64 2.76]
 [7.16 6.08]
 [3.52 4.25]
 [5.41 3.55]
 [7.9  5.22]
 [1.99 2.64]
 [3.46 4.66]
 [6.56 2.25]
 [6.89 4.43]
 [1.4  1.08]
 [3.43 6.08]
 [6.64 2.19]
 [6.26 5.91]
 [2.15 3.11]
 [3.18 5.41]
 [6.73 3.67]
 [7.36 5.97]
 [1.55 2.96]
 [3.99 5.63]
 [6.68 3.51]
 [6.34 5.99]
 [3.91 4.54]
 [6.21 3.2 ]
 [6.25 5.33]
 [2.13 1.91]
 [3.75 6.23]
 [4.35 1.49]
 [7.14 5.64]
 [1.68 2.67]
 [3.85 4.84]
 [6.04 2.68]
 [1.55 2.26]
 [1.86 5.29]
 [6.06 2.12]
 [7.77 5.17]
 [1.35 2.16]
 [3.53 6.11]
 [6.8  0.61]
 [6.92 6.02]
 [3.07 5.09]
 [6.44 2.07]
 [7.15 6.15]
 [1.01 2.56]
 [2.45 6.24]
 [6.86 2.54]
 [2.73 1.7 ]
 [2.25 5.62]
 [7.56 5.93]
 [3.01 1.68]
 [2.74 4.45]
 [1.99 0.39]
 [4.05 6.16]
 [5.34 2.66]
 [6.09 5.58]
 [3.14 5.85]
 [6.04 0.98]
 [6.02 5.82]
 [1.56 1.65]
 [3.08 6.49]
 [5.64 3.26]
 [2.75 1.9 ]
 [6.47 0.7 ]
 [7.04 4.83]
 [2.8  3.42]
 [7.14 1.72]
 [6.9  6.86]
 [4.55 5.17]
 [6.29 1.99]
 [7.41 4.88]
 [2.83 2.29]
 [3.24 5.83]
 [1.51 2.95]
 [2.55 5.51]
 [6.5  1.72]
 [7.97 4.62]
 [2.82 4.83]
 [5.02 3.53]
 [1.57 2.67]
 [1.72 4.05]
 [6.44 3.28]
 [7.41 6.85]
 [1.67 1.5 ]
 [1.77 5.59]
 [5.4  2.64]
 [7.18 5.94]
 [1.45 1.47]
 [3.77 5.01]
 [6.31 0.48]
 [6.65 5.65]
 [1.37 2.51]
 [2.54 4.42]
 [6.17 1.8 ]
 [7.29 4.68]
 [2.44 1.57]
 [3.46 4.5 ]
 [5.58 2.19]
 [6.46 6.23]
 [2.17 2.4 ]
 [3.29 5.66]
 [6.99 1.71]
 [6.54 4.71]
 [0.99 2.14]
 [3.67 4.47]
 [6.64 6.66]
 [2.15 0.75]
 [3.26 6.08]
 [5.72 1.98]
 [7.26 5.35]]
孤立點坐標：
[[ 5.66 -0.33]
 [ 0.16  1.55]
 [-0.27  2.22]
 [-0.39  2.28]]
外周點坐標：
[[ 1.96 -0.09]
 [ 5.56  0.34]
 [ 8.68  4.33]
 [ 7.54  0.52]
 [ 0.42  2.75]
 [ 3.29  1.26]
 [ 3.96  1.83]
 [ 5.26  5.89]
 [ 1.11  3.74]
 [ 8.17  6.19]
 [ 7.93  1.84]
 [ 4.53  3.2 ]
 [ 8.95  5.7 ]
 [ 8.26  6.04]
 [ 3.46  3.57]
 [ 2.6   0.77]
 [ 4.26  1.67]
 [ 4.78  7.25]
 [ 7.77  7.38]
 [ 4.98  1.02]]