练习与参考文献

本章目标

用练习题帮助读者检查自己是否真正理解当前 DBSCAN 实现。
给出继续深入阅读密度聚类与相关数据工具的可靠入口。

自检题

为什么 DBSCAN 流水线没有 train_test_split？无监督聚类为什么不需要训练/测试切分？
为什么 eps=0.3 和 min_samples=5 在当前标准化后的双月牙数据上能正确分离两个月牙？如果 eps 增大到 0.6 会怎样？减小到 0.1 会怎样？
DBSCAN 的 fit() 与分类模型的 fit(X, y) 在参数签名和输出上有何本质差异？为什么 sklearn 的 DBSCAN 没有 predict() 方法？
为什么 model.labels_ 中会出现 $- 1$ ？它与分类模型中的误分类样本有何本质区别？
为什么 DBSCAN 的评估不包含混淆矩阵、ROC 曲线和准确率？聚类评估与分类评估的根本差异是什么？
为什么 true_label 在当前流水线中不传入 model.fit()？它在流程中扮演什么角色？
为什么标准化对 DBSCAN 是必要的？如果去掉标准化，eps=0.3 的几何意义会发生什么变化？

练习方向

1. 改变 `eps`

把 eps=0.3 改成 0.1、0.2、0.3、0.5、0.7
观察变化：
- $n_c l u s t e r s$ ——eps 过大时两个月牙被错误合并为一个簇；eps 过小时每个高密度微区域都变成独立簇
- $n_n o i s e$ ——eps 越小噪声点越多，直到几乎所有点都变成噪声
- 聚类对照图——左右的视觉差异直接反映参数是否合理
核心理解：eps 是最需要精心调整的参数——它决定了"多大范围内的邻居算同一密度区域"

2. 改变 `min_samples`

把 min_samples=5 改成 2、5、10、20、50
观察变化：
- 核心点的比例——min_samples 越大，越少的点满足核心条件
- 簇的数量和噪声点数量——高 min_samples 时更多点被判定为噪声
- 边界效应——对于 min_samples=2，几乎所有点都成为核心点
核心理解：min_samples 与 eps 联动——eps 增大时一般需要相应增大 min_samples 以避免合并过度

3. 去掉标准化

暂时去掉 StandardScaler()，直接用原始 X 训练
观察 eps=0.3 下的聚类结果变化
对比：原始数据坐标与标准化数据坐标的实际数值范围差异
体会：eps 是绝对数值——不标准化的数据让邻域判定在不同维度上含义不等同

4. 改变噪声水平

修改 make_moons(noise=...) 的 noise 参数（0.0、0.05、0.08、0.15、0.25）
观察变化：
- 无噪声（0.0）——两个月牙完美分离，几乎没有噪声点
- 高噪声（0.25）——两个月牙之间的间隙被部分填充，密度扩展可能跨过间隙
- n_noise 随噪声增大而变化的趋势
核心理解：DBSCAN 的密度假设在低噪声数据上最有效，但适当噪声（0.08）下的表现展示了算法的鲁棒性

5. 对比 KMeans

用 KMeans(n_clusters=2) 在同一双月牙数据上聚类
对比变化：
- 簇边界的形状——KMeans 以直线（Voronoi 边界）划分，将弯月切分；DBSCAN 沿月牙弧形密度扩展
- 噪声处理——KMeans 强制分配每个点，DBSCAN 噪声点单独标记
- 对非球形簇的适应性——这是两者最根本的差异
核心理解：聚类算法没有万能方案——算法选择必须匹配数据的结构特征

参考文献

#	文献	说明
1	scikit-learn 官方文档：`DBSCAN`	完整构造器参数（`eps`、`min_samples`、`metric`、`algorithm`、`leaf_size`、`p`、`n_jobs`）、属性（`labels_`、`core_sample_indices_`）与方法说明
2	scikit-learn 官方文档：`make_moons`	双月牙数据生成器的 `n_samples`、`noise`、`shuffle`、`random_state` 等参数说明
3	scikit-learn 用户指南：Clustering → DBSCAN	密度聚类原理、`eps`/`min_samples` 选参方法、不同密度数据上的局限性与与其他聚类算法的使用场景对比
4	Ester, M., Kriegel, H.-P., Sander, J., and Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. KDD-96.	DBSCAN 原始论文—— $ϵ$ 邻域、核心点/边界点/噪声点概念、密度可达/密度相连关系和算法伪代码的源头

scikit-learn DBSCAN：https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html
scikit-learn make_moons：https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_moons.html
scikit-learn 用户指南 Clustering：https://scikit-learn.org/stable/modules/clustering.html#dbscan

小结

这一章的重点不是新增概念，而是把前面章节学到的内容重新落到源码和实验现象上。
如果能独立解释以下问题，说明已经掌握了当前 DBSCAN 分册的核心内容：
- 无监督聚类不需要训练/测试切分——fit() 在全量数据上执行，labels_ 直接输出
- eps 和 min_samples 联动决定核心点/边界点/噪声点的划分——改变其中一个通常需要调整另一个
- DBSCAN 的 fit() 不接收标签——与分类分册的 fit(X, y) 有本质区别
- sklearn 的 DBSCAN 没有 predict() 方法——它只能对训练数据本身做标记，不能预测新样本
- 噪声点（ $- 1$ ）是 DBSCAN 的核心输出而非错误——噪声过多或过少才暗示参数不当
- 聚类评估不同于分类评估——没有 accuracy/混淆矩阵/ROC，依赖散点图视觉对照和 n_clusters/n_noise 统计量
- 标准化对基于距离的 eps 邻域判定是硬性要求——eps 是绝对数值，其几何意义依赖各维度尺度一致
- DBSCAN 与 KMeans 不是"谁更好"的关系——球形数据选 KMeans，弯曲不规则数据选 DBSCAN