scikit-learn 中的 DBSCAN（仅使用指标）答案

【问题标题】：DBSCAN (with metric only) in scikit-learnscikit-learn 中的 DBSCAN（仅使用指标）
【发布时间】：2016-01-01 12:18:47
【问题描述】：

我有对象和距离函数，并希望使用scikit-learn 中的DBSCAN 方法对它们进行聚类。我的对象在欧几里得空间中没有表示。我知道，可以使用precomputed 度量，但在我的情况下，由于距离矩阵很大，这是非常不切实际的。 scikit-learn 有没有办法克服这个问题？也许，还有其他 DBSCAN 的 python 实现可以这样做吗？

【问题讨论】：

为什么不想在构造函数中使用度量参数？
在@Olologin 的评论之后，DBSCAN 的构造函数中的metric 参数接受字符串（对于已经实现的距离）或可调用的（对于给定的 2 个元素返回距离度量的函数）。编写您自己的并使用metric=my_func 初始化 DBSCAN。

标签： python scikit-learn cluster-analysis data-mining dbscan

【解决方案1】：

scikit-learn 支持多种指标。

其中一些可以使用 kdtree（非常快）、使用球树（快速）、使用预先计算的距离矩阵（快速，但需要大量内存）或不预先计算但 Cython 实现（二次运行时）或甚至是 python 回调（非常慢）。

最后一个选项已实现但速度极慢：

def mydistance(x,y):
  return numpy.sum((x-y)**2)

labels = DBSCAN(eps=eps, min_samples=minpts, metric=mydistance).fit_predict(X)

不幸的是，比

慢得多

labels = DBSCAN(eps=eps, min_samples=minpts, metric='euclidean').fit_predict(X)

当您需要使用自己的距离函数时，我发现 ELKI 的性能要好得多。 Java 可以使用 Hotspot JNI 编译器将它们编译成接近本机代码的速度。 Python（目前）无法做到这一点。

【讨论】：

我不认为 DBSCAN 可以使用用户定义的指标，例如“mydistance”。文档说：如果 metric 是一个字符串或可调用的，它必须是 metrics.pairwise.calculate_distance 为其 metric 参数允许的选项之一。
它有效（否则，他们为什么会提到“可调用”）。我用过。与 Cython 指标相比，它真的很慢，因为 python 解释器。