外觀
Machine Learning › 非監督式學習 › 分群 › DBSCAN / HDBSCAN
DBSCAN 與 HDBSCAN
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 把「夠擁擠」的區域連成群,太孤立的點標為雜訊 (−1)。不需指定群數,能找任意形狀的群。
| 點的類型 | 定義 |
|---|---|
| 核心點 (core) | eps 半徑內至少有 min_samples 個點(含自己) |
| 邊界點 (border) | 不是核心點,但在某核心點的 eps 範圍內 |
| 雜訊點 (noise) | 兩者都不是 → 標籤 −1 |
相連的核心點及其邊界點構成一群。
選 eps

| 步驟 | 說明 |
|---|---|
| 1. 先標準化 | 距離才有意義 |
2. 固定 min_samples | 常用 2 × 維度,或 5–10 |
| 3. 畫 k-distance 圖 | 每點到第 k 個鄰居的距離,排序後找急遽上升的「膝點」 |
4. eps 設在膝點附近 | 圖中約 0.3 |
eps 太小(0.1):碎成 31 群、114 個雜訊點;適中(0.3):正確的 2 群;太大(0.6):全部併成 1 群。
用法
python
import numpy as np
from sklearn.cluster import DBSCAN, HDBSCAN
from sklearn.neighbors import NearestNeighbors
from sklearn.preprocessing import StandardScaler
X_scaled = StandardScaler().fit_transform(X)
# 1. k-distance 圖選 eps
d = NearestNeighbors(n_neighbors=5).fit(X_scaled).kneighbors(X_scaled)[0][:, -1]
np.sort(d) # 畫出來找膝點
# 2. DBSCAN
labels = DBSCAN(eps=0.3, min_samples=5).fit_predict(X_scaled)
n_clusters = len(set(labels) - {-1}); n_noise = (labels == -1).sum()
# 3. HDBSCAN(sklearn ≥ 1.3):不用選 eps,能處理密度不同的群
labels = HDBSCAN(min_cluster_size=15, copy=True).fit_predict(X_scaled) # 兩彎月:2 群、5 個雜訊點sklearn 1.9 會提醒
HDBSCAN的copy預設值將在 1.10 改變;明確寫copy=True可避免警告。
DBSCAN vs HDBSCAN
| DBSCAN | HDBSCAN | |
|---|---|---|
| 主要參數 | eps、min_samples | min_cluster_size(較直覺) |
| 密度不同的群 | 困難:單一 eps 無法同時適合密與疏 | 較好:在多個密度尺度上找穩定的群 |
| 輸出 | 標籤 | 標籤 + 每點的成員機率(probabilities_) |
| 速度 | 快 | 稍慢 |
HDBSCAN 也不是萬能:分群方法比較圖 的「密度不均」資料中,HDBSCAN 把稀疏的那群大量標成雜訊(ARI 0.56),反而是 GMM 最好。
優缺點
| 優點 | 缺點 |
|---|---|
| 不需指定群數 | 對 eps 很敏感 |
| 任意形狀的群 | 密度差異大時表現差 |
| 內建雜訊判定 | 高維時距離失去意義 → 先 PCA |
| 對離群值穩健 | 對縮放敏感 |
常見錯誤
| 錯誤 | 說明 |
|---|---|
| 把 −1 全當成錯誤資料刪掉 | 可能是真實的少數型態,見 異常偵測 |
| 沒標準化 | 距離被單一特徵主導 |
群太少就一直調大 eps | 最後把不同的群硬併在一起 |