python中余弦度量的DBSCAN错误答案

【问题标题】：DBSCAN error with cosine metric in pythonpython中余弦度量的DBSCAN错误
【发布时间】：2015-12-21 02:57:47
【问题描述】：

我试图将 scikit-learn 库中的 DBSCAN 算法与余弦度量一起使用，但遇到了错误。代码行是

db = DBSCAN(eps=1, min_samples=2, metric='cosine').fit(X)

其中X 是csr_matrix。错误如下：

度量“余弦”对算法“自动”无效，

虽然文档说可以使用此指标。我尝试使用选项 algorithm='kd_tree' 和 'ball_tree' 但得到了相同的结果。但是，如果我使用euclidean 或者说l1 度量标准，则不会出现错误。

矩阵X 很大，所以我不能使用成对距离的预计算矩阵。

我使用python 2.7.6 和scikit-learn 0.16.1。我的数据集没有一整行零，因此余弦度量是明确定义的。

【问题讨论】：

坦率地说，这可以说是 sklearn 中的一个错误。余弦相似度不是度量标准。它不遵守三角不等式，这就是为什么它不能与 KDTree 一起使用，你别无选择，只能强行使用它。所有这些都提出了一个问题，为什么当您将算法设置为“自动”时，它会尝试使用它应该知道它不能使用的方法。
@AdamAcosta：如果我理解正确，您是在争辩 'auto' algorithm-关键字应该使用 'brute' 而不是尝试使用 'ball_tree' 失败？（我同意。）

标签： scikit-learn cluster-analysis data-mining cosine-similarity dbscan

【解决方案1】：

如果您想要一个像余弦距离这样的标准化距离，您也可以先标准化您的向量，然后使用欧几里得度量。请注意，对于两个归一化向量 u 和 v，欧式距离等于 sqrt(2-2*cos(u, v)) (see this discussion)

因此，您可以执行以下操作：

Xnorm = np.linalg.norm(X,axis = 1)
Xnormed = np.divide(X,Xnorm.reshape(Xnorm.shape[0],1))
db = DBSCAN(eps=0.5, min_samples=2, metric='euclidean').fit(Xnormed)

距离将位于 [0,2] 范围内，因此请确保相应地调整参数。

【讨论】：

如果是这样的话，您能否进一步说明为什么使用 euclidian-distance-on-normalised-vectors 的 DBSCAN 算法会产生与直接余弦距离相同的结果？特别是平方/平方根是什么，余弦真正衡量相似度而不是距离是否重要（距离是1-cos(.;.)）
例如，如果您知道eps 应设置为具有余弦距离的x，那么在使用带有euclid 的DBSCAN 时应将其设置为sqrt(x)。而且，如果是这样的数据，sklearn 索引是否可以完成其紧固目的？

【解决方案2】：

sklearn 中的索引（可能 - 这可能会随着新版本的变化而改变）无法加速余弦。

试试algorithm='brute'。

有关您的 sklearn 版本可以加速的指标列表，请参阅球树支持的指标：

from sklearn.neighbors.ball_tree import BallTree
print(BallTree.valid_metrics)

【讨论】：

谢谢！现在它起作用了。首先，它给了我一个错误，因为我使用np.float32 而不是np.double 作为我的数据集。我认为 DBSCAN 需要余弦度量的这种精度，因为后者的范围很小（在 0 和 1 之间）。
一般来说应该没有必要，但是sklearn的实现可能会有这样的限制。
截至今天（2019 年 10 月），“粗略”算法不起作用，但“通用”算法可以。如前所述，.fit 方法需要双精度