使用sklearn DBSCAN時，獲得不太相似的羣集是否正常？

Question

我有一大組診斷代碼序列，我試圖根據相似性進行聚類。我通過使用最小公共子序列算法計算相似性，然後從1中減去該相似性來找出每個序列之間的距離，從而創建了一個距離矩陣。

我然後通過了距離矩陣成sklearn的DBSCAN爲這樣：

db = DBSCAN(eps=0.34, metric='precomputed') 
db.fit(sim_mat) 

創建簇後，I輸出中包含的每一個到一個文本文件的序列。除了一個以外，每個集羣都對我有意義。例如，該集羣對我來說很有意義，因爲每個序列有兩個共同點，在相同的順序代碼：

['345.3', '345.11']['345.3', '345.11', '038.9', '038.0', '276.51']['345.3', '345.11']['322.9', '345.3', '345.11'] 

這個集羣，但是，（在這裏縮短，因爲它包含了2852個序列）不作感覺對我來說，因爲沒有序列的具有任何公共代碼：

['162.3', '038.9']['578.1', '584.9']['416.8', '486', '486', '038.11']['493.92', '428.0', '584.9', '427.89']['414.01', '998.59'] 

我的問題還是，如果這是在DBSCAN中的錯誤，如果我誤解了如何使用它和/或它應該如何工作。此外，如果這是一個錯誤或算法的預期輸出，是否有另一個我應該考慮使用？

Answer 1

設計（字母N在DBSCAN）算法也承認，做對象不屬於任何集羣，被稱爲噪音。

如果您錯誤地將「噪音」視爲一個羣集，它們當然會顯得完全不相關。

有些樣品往往只是不適合任何集羣，所以這是一個功能，而不是限制。您可以將每個點分配給與最近的羣集點相同的羣集，但這不會增加羣集質量。

Answer 2

我想通了。根據DBSCAN的描述，https://en.wikipedia.org/wiki/DBSCAN，似乎這種行爲是正常的。本質上，該算法從一個項目開始，在所需距離內找到其鄰居，然後繼續爲該羣集中的每個點找到鄰居。因此，你最終可能會得到一個實際上離彼此很遠的點。

要解決這個問題，我選擇使用相似性傳播，而不是 - https://en.wikipedia.org/wiki/Affinity_propagation