训练与预测
本章目标
- 按源码顺序看清当前 DBSCAN 流水线从数据复制到聚类输出的完整步骤。
- 理解 DBSCAN 无训练/测试切分、无
predict()的工程特征——与分类分册有本质差异。 - 理解
fit()即聚类、labels_即输出的流程特征。
重点方法与概念速览
| 名称 | 类型 | 作用 |
|---|---|---|
dbscan_data.copy() | 方法 | 复制原始数据，避免修改源对象 |
StandardScaler | 类 | 对全量特征做一致性标准化——eps 邻域判定的前置条件 |
train_model(...) | 函数 | 调用 DBSCAN.fit() 执行密度聚类，返回模型对象 |
model.fit(X_scaled) | 方法 | 在标准化特征上执行密度聚类——标签生成、簇分配一步到位 |
model.labels_ | 属性 | 聚类结果的唯一输出——每个样本被分配到簇编号或 |
1. 流水线起点：复制数据并拆出特征与对照标签
示例代码
python
data = dbscan_data.copy()
y_true = data["true_label"].values
X = data.drop(columns=["true_label"])理解重点
.copy()确保后续处理不修改全局dbscan_data。true_label被单独保存为y_true——它不参与后续的fit()，只在最后的plot_clusters(...)中作为对照显示。- 这是聚类与分类最根本的工程差异——没有"标签=训练目标"的概念。
2. 标准化
参数速览
适用 API：StandardScaler().fit_transform(X)
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
X | DataFrame，形状 | 去掉 true_label 后的全量特征矩阵 | X |
| 输出 | ndarray | X_scaled |
示例代码
python
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)理解重点
- DBSCAN 流水线没有训练/测试切分——无监督聚类不需要验证集。
fit_transform直接在全量数据上计算统计量并变换——不存在测试集数据泄露的风险。- 标准化是必须的——
eps=0.3作为绝对距离阈值，其几何意义依赖于各维度尺度一致。
3. 密度聚类：fit() 即训练 + 预测
参数速览
适用 API：train_model(X_scaled) → model.fit(X_scaled)
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
X_scaled | ndarray，形状 | 标准化后的全量特征矩阵——DBSCAN 的唯一输入 | X_scaled |
无 y 参数 | — | DBSCAN 是无监督算法——fit(X) 不接受标签 | — |
示例代码
python
model = train_model(X_scaled)理解重点
DBSCAN.fit(X_scaled)内部流程：遍历所有点 → 对每个点计算邻域 → 判定核心/边界/噪声 → 沿密度可达关系 BFS/DFS 扩展簇 → 生成 labels_。- 这既是训练也是预测——DBSCAN 没有分离的
fit()+predict()两阶段。对于新样本，sklearn 的 DBSCAN 无法直接预测簇归属。 - 与分类模型比较：分类流程是
fit(X, y)→predict(X_test)，DBSCAN 流程是fit(X)→labels_。
4. 获取聚类结果
参数速览
| 属性名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
labels_ | ndarray，形状 | 每个样本的簇分配标签， | model.labels_ |
n_clusters | int | 排除 | 当前期望为 2 |
n_noise | int | 标签为 | 取决于 noise=0.08 下落入月牙间隙的样本数 |
示例代码
python
labels = model.labels_
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
n_noise = (labels == -1).sum()理解重点
model.labels_是 DBSCAN 的唯一输出——它就是这个聚类算法的"预测结果"。-1标签是 DBSCAN 特定的噪声标记——与分类模型中的predict输出不同，噪声点不属于任何类别。- 没有
model.predict(X_test)——这是 DBSCAN 在预测能力上的天然限制（sklearn 实现）。新样本的簇归属需通过其他方式推断（如最近邻搜索）。
5. 聚类结果可视化
参数速览
适用函数：plot_clusters(X_scaled, labels_pred=model.labels_, labels_true=y_true, ...)
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
X_scaled | ndarray，形状 | 标准化后的全量特征，用于散点图的坐标 | X_scaled |
labels_pred | ndarray，形状 | DBSCAN 的预测簇标签（含 | model.labels_ |
labels_true | ndarray，形状 | 真实簇标签（仅用于视觉对照） | y_true |
示例代码
python
plot_clusters(
X_scaled,
labels_pred=model.labels_,
labels_true=y_true,
title="DBSCAN 聚类分布",
dataset_name=DATASET,
model_name=MODEL,
)理解重点
plot_clusters(...)是当前 DBSCAN 分册唯一的可视化函数——与分类分册的四类评估（混淆矩阵+ROC+决策边界+学习曲线）完全不同。- 双侧对照布局：左侧显示
labels_pred（算法聚类结果），右侧显示labels_true（真实簇标签）——帮助读者直观判断算法是否恢复了真实结构。 labels_pred中的噪声点（）通常以特殊颜色（如黑色或灰色）标记，便于识别。
常见坑
- 期望当前流水线有训练/测试切分——无监督聚类不划分训练集和验证集。
- 误以为
model.predict(X_new)可用——sklearn 的 DBSCAN 不支持predict()，fit()即得到全部聚类结果。 - 把
true_label当成fit()的输入——它仅用于最终的可视化对照。 - 把 DBSCAN 的训练流程理解成"先生成模型，再用于预测新数据"——它是直接对输入数据进行标记，没有分离的训练和推理阶段。
小结
- 当前 DBSCAN 流水线极为简洁：复制数据 → 剥离
true_label→ 全量标准化 →fit(X)密度聚类 →labels_直接作为聚类输出 → 可视化对照。 - 与分类分册的核心差异：无切分（无
train_test_split）、无监督标签、无predict()（fit()即输出）、无概率输出、无混淆矩阵/ROC/学习曲线。 - 这种简洁性源于 DBSCAN 的算法特性——它是直接对数据点做密度连通分析，而非训练一个可泛化的判别函数。