sklearn.clustering.DBSCAN的输入是否应该进行预处理？
在示例中 http://scikit-learn.org/stable/auto_examples/cluster/plot_dbscan.html#example-cluster-plot-dbscan-py 计算并归一化了输入样本 X 之间的距离：
D = distance.squareform(distance.pdist(X))
S = 1 - (D / np.max(D))
db = DBSCAN(eps=0.95, min_samples=10).fit(S)
在 v0.14 (http://jaquesgrobler.github.io/online-sklearn-build/auto_examples/cluster/plot_dbscan.html( 的另一个示例中，进行了一些缩放：
X = StandardScaler().fit_transform(X)
db = DBSCAN(eps=0.3, min_samples=10).fit(X)
我的代码基于后一个示例，并且印象是聚类分析在这种扩展中效果更好。但是，这种缩放"通过删除平均值并缩放到单位方差来标准化特征"。我尝试查找 2d 集群。如果我的集群分布在平方区域中 - 假设 100x100，我认为缩放没有问题。但是，如果分布在矩形区域中，例如 800x200，则缩放会"挤压"我的样本并在一个维度上更改它们之间的相对距离。这会恶化集群，不是吗？还是我理解了。错？我是否需要应用一些预处理，或者我可以简单地输入我的"原始"数据？
这取决于您要做什么。
如果对地理数据运行 DBSCAN，并且距离以米为单位，则可能不希望对任何内容进行规范化，但也可以以米为单位设置 epsilon 阈值。
是的，特别是不均匀的缩放确实会扭曲距离。而非失真缩放相当于仅使用不同的 epsilon 值！
请注意，在第一个示例中，显然处理的是相似性而不是距离矩阵。 S = (1 - D / np.max(D)) 是一种将相似性矩阵转换为相异性矩阵的启发式方法。Epsilon 0.95实际上最多意味着"观察到的最大相异性的0.05"。应产生相同结果的替代版本是：
D = distance.squareform(distance.pdist(X))
S = np.max(D) - D
db = DBSCAN(eps=0.95 * np.max(D), min_samples=10).fit(S)
而在第二个示例中，fit(X)实际处理原始输入数据，而不是距离矩阵。恕我直言，这是一个丑陋的黑客，以这种方式重载方法。这很方便，但有时会导致误解，甚至可能不正确的使用。
总的来说，我不会把sklearn的DBSCAN作为参考。整个 API 似乎在很大程度上是由分类驱动的，而不是由聚类驱动的。通常，您不会fit聚类分析，而只是对监督方法执行此操作。另外，sklearn目前不使用索引进行加速，并且需要O(n^2)内存(DBSCAN通常不会(。
一般来说，您需要确保您的距离有效。如果距离函数不起作用，则基于距离的算法不会产生所需的结果。在某些数据集上，朴素距离(如欧几里得(在首次规范化数据时效果更好。在其他数据集上，您对距离有很好的了解(例如地理数据。对此进行标准化是没有意义的，欧几里得距离也没有意义！