Python中的DBSCAN：意外结果

Question

我正在尝试通过scikit-learn了解DBSCAN的实现，但是遇到了麻烦。 这是我的数据样本：

X = [[0,0],[0,1],[1,1],[1,2],[2,2],[5,0],[5,1],[5,2],[8,0],[10,0]]

然后我按照提供的示例计算D

D = distance.squareform(distance.pdist(X))

D返回一个矩阵，其中包含每个点与所有其他点之间的距离。 因此，对角线始终为0。

然后我以以下方式运行DBSCAN：

 db = DBSCAN(eps=1.1, min_samples=2).fit(D)

eps = 1.1意味着，如果我对文档了解得很好，则将在群集（核心）中考虑距离小于或等于1.1的点。

D[1]返回以下内容：

>>> D[1]
array([  1.        ,   0.        ,   1.        ,   1.41421356,
     2.23606798,   5.09901951,   5.        ,   5.09901951,
     8.06225775,  10.04987562])

这意味着第二点到第一点和第三点的距离为1。 所以我希望他们能建立一个集群，但是...

>>> db.core_sample_indices_
[]

这意味着找不到核心，对吗？ 这是其他2个输出。

>>> db.components_
array([], shape=(0, 10), dtype=float64)
>>> db.labels_
array([-1., -1., -1., -1., -1., -1., -1., -1., -1., -1.])

为什么会有集群？

Answer 1

我认为实现可能只是假设您的距离矩阵是数据本身 。

请参阅：通常，您不会为DBSCAN计算完整的距离矩阵，而是使用数据索引来加快邻居搜索的速度。

从1分钟的Google来看，考虑添加metric="precomputed" ，因为：

配合（X）

X：样本之间的距离数组或要素数组。 除非将度量标准指定为“预先计算”，否则该数组将被视为要素数组。