模型构建

本章目标

1. 明确 train_model(...) 如何构建并训练 DBSCAN。
2. 理解 DBSCAN 的核心构造器参数（eps、min_samples、metric）及其数学对应关系。
3. 看清训练完成后最重要的模型属性——labels_、core_sample_indices_、以及衍生的簇数量和噪声点数量。

重点方法与概念速览

名称	类型	作用
train_model(...)	函数	构建并训练一个 sklearn.cluster.DBSCAN 模型，打印聚类统计日志
DBSCAN(...)	类	scikit-learn 提供的密度聚类器——基于 $ϵ$ 邻域和密度连通关系
model.fit(X_train)	方法	在训练数据上执行密度聚类——注意无监督：只传特征不传标签
model.labels_	属性	每个训练样本的簇分配结果，噪声点标记为 $-1$
model.core_sample_indices_	属性	核心点在训练数组中的索引位置

1. train_model(...) 的函数签名

参数速览

适用函数：train_model(X_train, eps=0.3, min_samples=5, metric='euclidean')

参数名	类型	说明	示例取值
X_train	array_like	标准化后的特征矩阵，形状 $(400,2)$，传入 DBSCAN.fit()	X_scaled
eps	float	$ϵ$ 邻域半径。$ϵ\uparrow$ → 更大邻域、更多核心点、簇数减少。默认 0.3	0.2、0.3、0.5、1.0
min_samples	int	核心点判定阈值 $\text{MinPts}$。值越大，成为核心点的门槛越高。默认 5	3、5、10
metric	str	距离度量方式。默认 'euclidean'（欧氏距离 $d=\sqrt{\sum (x_j-z_j{)}^2}$）	'euclidean'、'manhattan'
返回值	DBSCAN	已完成 fit() 的模型对象，含 labels_、core_sample_indices_ 等属性	—

示例代码

from model_training.clustering.dbscan import train_model

model = train_model(X_scaled)

理解重点

• 当前入口只负责构建一个 DBSCAN 并 fit——没有参数网格搜索或多度量对比。
• 和监督学习分册的 train_model 不同，这里没有 y_train 参数——DBSCAN 是无监督算法。
• train_model(...) 是对 sklearn.cluster.DBSCAN 的薄封装——算法本体是 scikit-learn 的 C++ 实现。

2. DBSCAN 构造器参数

参数速览

适用 API：DBSCAN(eps=0.3, min_samples=5, metric='euclidean')

参数名	类型	说明	示例取值
eps	float	$ϵ$ 邻域半径。决定了"多近算邻居"。默认 0.5，当前源码显式设为 0.3	0.2、0.3、0.5、1.0
min_samples	int	核心点判定阈值 $\text{MinPts}$。决定了"多密算高密度区域"。$d$ 维数据建议 $\ge d+1$，默认 5	3、5、10、20
metric	str 或 callable	距离度量。'euclidean'（欧氏距离）、'manhattan'（曼哈顿距离）、'cosine'（余弦距离）等。默认 'euclidean'	'euclidean'、'manhattan'、'cosine'
algorithm	str	最近邻搜索算法。'auto' 自动选择最优；'ball_tree' 球树；'kd_tree' KD 树；'brute' 暴力搜索。默认 'auto'	'auto'、'ball_tree'、'kd_tree'、'brute'
leaf_size	int	BallTree 或 KDTree 的叶子节点大小。对构建索引速度和查询速度有影响，不影响聚类结果。默认 30	20、30、50
p	float	Minkowski 距离的指数参数。p=2 等价于欧氏距离，p=1 等价于曼哈顿距离。仅当 metric='minkowski' 时生效。默认 2	1、2
n_jobs	int 或 None	并行计算的作业数。None 表示 1，-1 表示使用所有 CPU。默认 None	None、-1、4

示例代码

model = DBSCAN(
    eps=0.3,
    min_samples=5,
    metric="euclidean",
)
model.fit(X_train)

理解重点

• DBSCAN 的核心参数是 eps 和 min_samples——两者联合决定了点类型的划分（核心/边界/噪声）和最终的簇结构。
• eps 的默认值是 0.5，但当前源码显式设为 0.3——这是针对标准化后双月牙数据的定制选择（月牙间距约 0.5，0.3 < 0.5 避免跨月牙连接）。
• min_samples=5 对二维数据是一个合理起点——经验规则 $2d$ 到 $2d+1$，即二维下 4~5。
• algorithm='auto'（默认）会根据数据量和特征维度自动选择最近邻搜索方式——对当前 400 样本 2 维数据，通常选用 KD 树。
• 与分类模型（逻辑回归、SVC）的关键差异：DBSCAN 的 fit() 不接受标签参数 y——fit(X) 而非 fit(X, y)。

3. 训练完成后的关键属性与统计量

参数速览

属性名	类型	数学含义	说明
labels_	ndarray，形状 (n_samples,)	簇分配标签	每个训练样本所属簇的编号 $\{0,1,\dots ,k-1\}$，噪声点为 $-1$
core_sample_indices_	ndarray，形状 (n_core_samples,)	核心点索引集	所有核心点在原始训练数组中的下标位置
components_	ndarray，形状 (n_core_samples, n_features)	核心点特征值	所有核心点的特征向量——仅在内存高效模式下可用
n_features_in_	int	特征维度 $d$	训练时输入的特征维数，当前为 2

衍生统计量

统计量	计算方式	说明
n_clusters	len(set(labels_)) - (1 if -1 in labels_ else 0)	排除噪声后的簇数量——当前期望为 2（两个月牙）
n_noise	(labels_ == -1).sum()	被标记为噪声的样本数量——反映数据中密度不足的点规模

示例代码

labels = model.labels_
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
n_noise = (labels == -1).sum()

print(f"簇数量: {n_clusters}")
print(f"噪声点数量: {n_noise}")

理解重点

• labels_ 是 DBSCAN 最重要的输出——它不是单个预测值，而是对所有 400 个训练样本的簇分配。
• -1 是 DBSCAN 的独特标签——与其他分类器的 classes_ 不同，它专门标记不满足密度连通条件的噪声点。
• DBSCAN 没有 cluster_centers_（KMeans 有）——因为密度聚类不依赖簇中心。
• DBSCAN 没有 predict() 方法——sklearn 的 DBSCAN 只能对训练数据本身做聚类，不能预测新样本。这是一个常见的工程限制。

4. 训练阶段的工程封装

除了 DBSCAN(...).fit(...) 之外，train_model(...) 还做了几层工程包装：

输出项	作用
@print_func_info 标题	帮助在终端中定位训练入口
@timeit 训练耗时	观察密度聚类执行时间
eps / min_samples 日志	确认当前参数配置
簇数量 日志	快速查看算法发现的簇数——与真实类别数对比
噪声点数量 日志	观察被识别为离群点的样本规模

理解重点

• 当前封装强调教学型可读性——通过装饰器打印函数信息和耗时，通过 print 输出聚类统计量。
• 簇数量 和 噪声点数量 是 DBSCAN 独有的日志输出——它们直接反映算法的聚类行为。
• 这一层封装把"构建模型""训练模型""打印统计"收在一个函数里，方便文档和流水线复用。

常见坑

1. 误以为 train_model(...) 需要传入 y_train——DBSCAN 是无监督算法，不接受标签。
2. 误以为 DBSCAN 训练完成后能得到簇中心——它没有 cluster_centers_ 属性。
3. 期望能用 model.predict(X_new) 预测新样本——sklearn 的 DBSCAN 不支持，需结合 NearestNeighbors 等后处理。
4. 只看 labels_，却忽略 -1（噪声）、n_clusters 和 n_noise 才是理解聚类行为的关键统计量。
5. 忘记当前 X_train 应该是标准化后的特征——eps 是绝对数值，未经标准化的数据会让邻域判定失真。

小结

• train_model(...) 是本仓库 DBSCAN 的核心训练入口，是对 sklearn.cluster.DBSCAN 的薄封装。
• DBSCAN 的核心参数是 eps（$ϵ$ 邻域半径）和 min_samples（核心点阈值）——两者联合决定簇的形态和噪声规模。
• 训练完成后的关键属性：labels_（含噪声标签 $-1$）、core_sample_indices_（核心点索引）——通过它们推导 n_clusters 和 n_noise。
• DBSCAN 没有簇中心、没有 predict()、不接收 y 标签——这三个"没有"是它与分类模型和 KMeans 最核心的工程差异。