我有一大堆诊断代码序列，我试图根据相似性进行聚类。我通过使用最小公共子序列算法计算相似度然后从1减去相似性来找到每个序列之间的距离来创建距离矩阵。
然后我将那个距离矩阵传递给了sklearn的DBSCAN：
db = DBSCAN(eps=0.34, metric='precomputed')
db.fit(sim_mat)
创建群集后，我将每个群集中包含的序列输出到文本文件中。除了一个群集之外，每个群集对我都有意义。例如，这个集群对我来说很有意义，因为每个序列都有两个共同的代码并且顺序相同：
['345.3', '345.11']['345.3', '345.11', '038.9', '038.0', '276.51']['345.3', '345.11']['322.9', '345.3', '345.11']
然而，这个群集（此处缩写，因为它包含2852个序列）对我没有意义，因为没有一个序列有任何共同的代码：
['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']
我的问题是，这是否是DBSCAN中的错误，或者我是否误解了如何使用它和/或它应该如何工作。此外，如果这是一个错误或算法的预期输出，还有另一个我应该考虑使用？
答案 0 :(得分：1)
按照设计（DBSCAN中的字母N），该算法还可以识别不属于任何群集的对象，称为 noise 。
如果你错误地对待＆＃34;噪音＆＃34;作为一个集群，它们当然看起来完全不相关。
某些样本通常不适合任何群集，因此这是一项功能，而非限制。您可以将每个点分配到与最近的聚簇点相同的聚类，但这不会提高聚类质量。
答案 1 :(得分：0)
我明白了。基于DBSCAN https://en.wikipedia.org/wiki/DBSCAN的描述，似乎这种行为是正常的。本质上，算法从一个项开始，在所需距离内找到它的邻居，然后继续为该簇中的每个点找到邻居。因此，您最终可能会得到一个实际上相距很远的点的群集。
为了解决这个问题，我选择使用Affinity Propagation - https://en.wikipedia.org/wiki/Affinity_propagation