我正在尝试对 1428 个点的 3D 坐标 DataFrame 中的点进行聚类。 这些簇是相对平坦的平面，是细长的云DataFrame。它们是非常明显的集群，所以我希望尝试无监督集群（不输入预期的集群数量）KMeans 没有正确地将它们分开，并且确实需要集群的数量： Kmeans 绘图结果
数据如下：
5 6 7
0 9207.495280 18922.083277 4932.864
1 5831.199280 3441.735280 5756.326
2 8985.735280 12511.719280 7099.844
3 8858.223280 28883.151280 5689.652
4 6801.399277 6468.759280 7142.524
... ... ... ...
1423 10332.927277 22041.855280 5136.252
1424 6874.971277 12937.563277 5467.216
1425 8952.471280 28849.887280 5710.522
1426 7900.611277 19128.255280 4803.122
1427 10234.635277 18734.631280 5631.286
[1428 rows x 3 columns]
我希望 DBSCAN 能够更好地处理这些数据。然而，当我尝试以下操作时（我尝试了 eps 和 min_samples 但没有成功）：
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=10, min_samples = 50)
clusters = dbscan.fit_predict(X)
print('Clusters found', dbscan.labels_)
len(clusters)
我得到这个输出：
Clusters found [-1 -1 -1 ... -1 -1 -1]
1428
我一直对如何让它发挥作用感到困惑，特别是自从 Kmeans 确实发挥作用以来：
kmeans = sk_cluster.KMeans(init='k-means++', n_clusters=9, n_init=50)
kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_
kmeans_labels = kmeans.labels_
error = kmeans.inertia_
print ("The total error of the clustering is: ", error)
print ('\nCluster labels')
The total error of the clustering is: 4994508618.792263
Cluster labels
[8 0 7 ... 3 8 1]
记住这条黄金法则：
在将数据输入 ML / DL 算法之前，始终对数据执行标准化。
原因是，你的列有不同的范围，可能一列的范围是[10000,20000]，其他列的范围是[4000,5000]，当你将这些坐标绘制在图表上时，它们会非常非常远，聚类/分类永远不会起作用，也许回归会起作用。缩放使每个列的范围达到相同的水平，但仍然保持距离，但比例不同。就像在谷歌地图中一样，当您放大时比例会减小，当您缩小时比例会增加。
你可以自由选择归一化算法，sklearn 上几乎有 20-30 种可用的算法。
编辑：
使用此代码：
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X)
X_norm = scaler.transform(X)
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=0.05, min_samples = 3,leaf_size=30)
clusters = dbscan.fit_predict(X_norm)
np.unique(dbscan.labels_)
array([-1, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15,
16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32,
33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47])
我发现，由于 DBSCAN 是一种基于密度的方法，我尝试了 sklearn 归一化器（来自 sklearn.preprocessing import normalize），它基本上转换为高斯分布，但它不起作用，而且在 DBSCAN 的情况下也不应该，因为它需要每个具有相似密度的特征。
因此，我选择了 MinMax 缩放器，因为它应该使每个特征密度相似，并且需要注意的一件事是，由于缩放后的数据点小于 1，因此也应该在类似的范围内使用 epsilon。