DBSCAN
第三种思路:看密度
k-means 和层次聚类都依赖“距离”。DBSCAN 换了个视角:
一个簇,就是一片密度高的区域。
两个参数
(eps):半径
min_samples:半径内至少几个点才算“密集”
根据这两个参数,每个点分三类:
类型 | 定义 | 作用 |
|---|---|---|
核心点 | 半径内点数 ≥ min_samples | 能“传染”给邻居 |
边界点 | 半径内点数不够,但在某个核心点的半径内 | 属于那个核心点的簇 |
噪声点 | 既不是核心点,也不在任何核心点的半径内 | 被排除 |
算法:从任一核心点出发,把它半径内的点都拉进来,再对拉进来的点重复,直到扩不动。

它在月牙数据上的表现
双月牙是 k-means 的经典失败案例——两个簇互相缠绕,任何一条直线都切不开。
DBSCAN 在这份数据上找到了 2 个簇、0 个噪声点,完全正确。 而同数据的 k-means(k=2)轮廓系数只有 0.489。
为什么它能做到
因为它不看“离中心多远”,只看“周围有没有同伴”。
月牙虽然弯,但沿着月牙走,每一步的邻居都很近。密度是连续的,所以能沿着弯长出去。
k-means 必须用“到中心的距离”描述一个簇,而月牙的“中心”根本不在月牙上。
最大的好处:不用给 k
簇的数量是算法自己数出来的。而且它天生会标出噪声——不像 k-means,不管多离群的点都强行塞进某个簇。
异常检测场景直接就能用:labels_ == -1 的就是被判为噪声的点。
最大的麻烦:eps 很难调
eps 太小:所有点都成了噪声,一个簇都长不出来。
eps 太大:所有点连成一片,只有一个簇。
而且这个合适的值随数据缩放而变——同一份数据,单位从米换成厘米,eps 就得改 100 倍。
还有一个致命弱点
如果不同簇的密度差别很大,一个 eps 无法同时适应。
密的簇 eps 小就够,疏的簇 eps 小就只剩噪声;反过来密的簇会被连成一片。
这是 DBSCAN 的固有限制。改进版(HDBSCAN)用层次化的密度估计解决这个问题,思路是“在多个 eps 上做,取最稳定的那个分法”。
三种方法怎么选
数据特点 | 用哪个 |
|---|---|
球形簇、大小相近、样本多 | k-means |
想看层次结构、样本不多 | 层次聚类 |
形状任意、有噪声、密度均匀 | DBSCAN |
密度差别大 | HDBSCAN |
这一课解决了什么
DBSCAN 用密度代替距离,能处理任意形状、自动识别噪声、不用给 k。
代价是 eps 难调、对密度差异敏感。
下一课
习题