我一直在使用 KMean 从一组行中提取集群，我对结果不是很印象深刻，我想尝试 DBSCAN，看看这是否可以产生更好的结果。DBSCAN 是否将集群单词输出为 KMeans？
我能够使用 DBSCAN 并能够将集群数量输出为"3"，但我想知道是什么上下文驱动它制作"3"集群（我想知道这些词）
这是我的代码片段
db = DBSCAN(eps=0.3, min_samples=10).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_
# Number of clusters in labels, ignoring noise if present.
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
print('Estimated number of clusters: %d' % n_clusters_)
print("Silhouette Coefficient: %0.3f"% metrics.silhouette_score(X, labels))
您无法直接控制 DBSCAN 生成的集群数量。在给定的密度水平下，它产生尽可能多的;最好通过改变 epsilon 来完成。
请注意，它也会产生噪声，即一个聚类（可能是第一个）不是聚类，而是不属于任何聚类的剩余点。但是当你简单地丢弃这些点时，你的轮廓就会变得虚假。
由于DBSCAN簇可以是任意形状的，因此没有有意义的"质心"，如k-means，你可以解释为"单词"（但通常这种解释无论如何都是好的）。
请阅读维基百科文章和DBSCAN文献以获取更多详细信息。