噪声点

本课属于 Coddy Machine Learning 学习旅程的“无监督学习”单元。第 21 课，共 51 课。

并不是每个点都属于某个群体。DBSCAN 会将这些点标记为 -1：噪声。在公园里，野餐的人群是群体，独自坐着的人则是噪声：

公园地图上有四群紧密聚集的彩色圆点，分别有 16、12、20 和 14 个；还有 9 个独自一人的灰色 x 标记散落在各群之间

两种都要计数：

labels = DBSCAN(eps=3, min_samples=4).fit_predict(X)
print((labels == -1).sum())
print(labels.max() + 1)

这会打印 9 和 4。噪声是 -1，所以最大的标签仍会统计人群。

噪声并不代表失败。那些孤立的点往往才是故事所在：一位偏离路线的徒步者，或一个与其他读数不同的读数。

挑战

中等

驯鹿戴着 GPS 项圈。鹿群是聚集在一起的驯鹿；独自行动的驯鹿可能迷路或受伤，所以牧鹿人会先去查看它们。入门代码会运行 DBSCAN，并从输入中读取 min_samples。

打印鹿群的数量。
打印独自行动的驯鹿数量。
将它们的标签作为列表打印出来，以便查看。

对于另一位牧鹿人的项圈：

Herds: 2
Lone reindeer: 3
Check on: ['R011', 'R027', 'R040']

试试更大的 min_samples：更严格的群体规则会让更多驯鹿独自行动。

亲手试试

import numpy as np
import pandas as pd
from sklearn.cluster import DBSCAN

# 黎明时的 GPS 项圈数据：每只驯鹿的标签和位置，单位为 km
reindeer = pd.read_csv("reindeer.csv")
X = np.column_stack([reindeer["east_km"], reindeer["north_km"]])
min_samples = int(input())
labels = DBSCAN(eps=0.6, min_samples=min_samples).fit_predict(X)

# 在下方编写你的代码