我正在使用Scikit-Learn（Python 2.7）中的DBSCAN对一些数据进行聚类：
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(random_state=0)
dbscan.fit(X)
然而，我发现除了 "fit_predict" 之外，没有内置的函数可以将新数据点 Y 分配到原始数据 X 中识别出的聚类中。K均值法有一个 "predict" 函数，但我希望能够像 DBSCAN 一样做同样的事情。就像这样：
dbscan.predict(X, Y)
我希望从X中推断密度，但返回值（聚类分配/标签）仅适用于Y。据我所知，R提供了这种能力，因此我认为Python也以某种方式提供此功能。我只是似乎找不到任何相关的文档。
此外，我尝试搜索了一些关于为什么不能使用DBSCAN对新数据进行标记的原因，但我没有找到任何合理的解释。
虽然Anony-Mousse提出了一些好的观点（聚类确实不等同于分类），但我认为指派新的数据点也很有用。 *
根据关于DBSCAN的原始论文以及robertlaytons在github.com/scikit-learn上的想法，建议通过核心要点并将其指派给与您新数据点距离小于eps的第一个核心点所在的簇。
这样至少可以保证您的点是被分配的簇的边界点，根据聚类使用的定义来判断。（请注意，您的点可能被视为噪声而未被分配到任何簇中）
我已经快速实现了这个方案：
import numpy as np
import scipy as sp
def dbscan_predict(dbscan_model, X_new, metric=sp.spatial.distance.cosine):
# Result is noise by default
y_new = np.ones(shape=len(X_new), dtype=int)*-1
# Iterate all input samples for a label
for j, x_new in enumerate(X_new):
# Find a core sample closer than EPS
for i, x_core in enumerate(dbscan_model.components_):
if metric(x_new, x_core) < dbscan_model.eps:
# Assign label of x_core to x_new
y_new[j] = dbscan_model.labels_[dbscan_model.core_sample_indices_[i]]
break
return y_new
聚类得到的标签（dbscan_model = DBSCAN(...).fit(X)）和同一模型在同样数据上得到的标签（dbscan_predict(dbscan_model, X)）有时会不同。我不确定这是某个地方的错误还是随机性结果。
编辑：我认为上述不同预测结果的问题可能源于边界点可以接近多个簇的可能性。如果您测试并找到答案，请更新。通过每次洗牌核心点或选择最近的而不是第一个核心点来解决歧义。
*) 现在的情况是：我想评估从我的数据子集中获得的聚类是否适用于其他子集或者仅仅是一个特例。如果它具有普遍性，则支持聚类及先前应用的预处理步骤的有效性。
聚类不是分类。
聚类没有标签。如果您想将其塞入预测思维模式（这并不是最好的想法），那么本质上它是没有学习的预测。因为聚类没有可用于训练的带标签数据。它必须根据所见到的内容为数据编制新标签。但是您不能在单个实例上执行此操作，只能进行“批量预测”。
但是scipys DBSCAN有些问题：
random_state：numpy.RandomState，可选：用于初始化中心点的发生器。默认为numpy.random。
DBSCAN不会“初始化中心点”，因为DBSCAN中没有中心点。
几乎唯一一个可以将新点分配给旧簇的聚类算法是k-means（及其许多变体）。因为它使用前一次迭代的聚类中心执行“1NN分类”，然后更新中心点。但大多数算法不像k-means那样工作，所以您无法复制这种方法。
可能R版本正在做的是使用1NN分类器进行预测；也许还使用额外的规则，如果它们的1NN距离大于epsilon，则将点分配给噪声标签，可能仅使用核心点。也可能没有。
获取DBSCAN论文，我记得它没有讨论“预测”。
predict(X): 预测X中每个样本所属的最近簇。，这通常是在聚类上下文中使用“预测”的意图。 - Sidfit_predict 相同的标签，即它将不一致。 - Has QUIT--Anony-Mousse这里是稍微不同且更高效的实现方式。而且，不是选择在eps半径内最优的第一个核心点，而是选择距离样本最近的核心点。
def dbscan_predict(model, X):
nr_samples = X.shape[0]
y_new = np.ones(shape=nr_samples, dtype=int) * -1
for i in range(nr_samples):
diff = model.components_ - X[i, :] # NumPy broadcasting
dist = np.linalg.norm(diff, axis=1) # Euclidean distance
shortest_dist_idx = np.argmin(dist)
if dist[shortest_dist_idx] < model.eps:
y_new[i] = model.labels_[model.core_sample_indices_[shortest_dist_idx]]
return y_new
diff = model.components_ - list(X.iloc[i, :]) - Keity这个问题已经有很好的回答了，HDBSCAN 或许是你需要尝试的。它提供了一个approximate_predict()方法，可能正符合你的需求。
clusterer = hdbscan.HDBSCAN(min_cluster_size=15, prediction_data=True).fit(data)
test_labels, strengths = hdbscan.approximate_predict(clusterer, test_points)
首先，让我们了解一些关于DBSCAN密度聚类的基础知识，下图总结了基本概念。
接下来，让我们创建一个2D样本数据集，用DBSCAN进行聚类。以下图展示了数据集的外观。
import numpy as np
import matplotlib.pylab as plt
from sklearn.cluster import DBSCAN
X_train = np.array([[60,36], [100,36], [100,70], [60,70],
[140,55], [135,90], [180,65], [240,40],
[160,140], [190,140], [220,130], [280,150],
[200,170], [185, 170]])
plt.scatter(X_train[:,0], X_train[:,1], s=200)
plt.show()
现在让我们使用scikit-learn的DBSCAN实现进行聚类：
eps = 45
min_samples = 4
db = DBSCAN(eps=eps, min_samples=min_samples).fit(X_train)
labels = db.labels_
labels
# [ 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, 1, -1, 1, 1]
db.core_sample_indices_
# [ 1, 2, 4, 9, 12, 13]
从上面的结果可以看出：
让我们使用以下代码片段来可视化这些簇：
def dist(a, b):
return np.sqrt(np.sum((a - b)**2))
colors = ['r', 'g', 'b', 'k']
for i in range(len(X_train)):
plt.scatter(X_train[i,0], X_train[i,1],
s=300, color=colors[labels[i]],
marker=('*' if i in db.core_sample_indices_ else 'o'))
for j in range(i+1, len(X_train)):
if dist(X_train[i], X_train[j]) < eps:
plt.plot([X_train[i,0], X_train[j,0]], [X_train[i,1], X_train[j,1]], '-', color=colors[labels[i]])
plt.title('Clustering with DBSCAN', size=15)
plt.show()
最后，让我们实现predict()方法来预测新数据点的聚类。实现基于以下内容：
in order that the new point x belongs to a cluster, it must be directly density reachable from a core point in the cluster.
We shall compute the nearest core point to the cluster, if it's within ϵ distance from x, we shall return the label of the core point, otherwise the point x will be declared a noise point (outlier).
Notice that this differs from the training algorithm, since we no longer allow any more point to become a new core point (i.e., number of core points are fixed).
the next code snippet implements the predict() function based on the above idea
def predict(db, x):
dists = np.sqrt(np.sum((db.components_ - x)**2, axis=1))
i = np.argmin(dists)
return db.labels_[db.core_sample_indices_[i]] if dists[i] < db.eps else -1
X_test = np.array([[100, 100], [160, 160], [60, 130]])
for i in range(len(X_test)):
print('test point: {}, predicted label: {}'.format(X_test[i],
predict(db, X_test[i])))
# test point: [100 100], predicted label: 0
# test point: [160 160], predicted label: 1
# test point: [ 60 130], predicted label: -1
predict()函数标记一些新的测试点。
非参数聚类模型，如DBSCAN、谱聚类和层次聚类，不能直接预测新点的标签，因为它们是非参数的。这意味着我们无法获得一组参数，并根据这些参数预测新点的标签。
相比之下，K-means和高斯混合模型是参数聚类模型。
神经网络和索引聚类（CNNI）模型是另一个参数聚类模型。
要在分析DBSCAN后预测新点的标签，可以按照其他答案的建议，使用聚类结果训练监督模型，然后使用监督模型预测标签。或者只需使用KNN分类器。
最小-最大-跳跃距离提供了一种预测新点标签的替代方法。
https://doi.org/10.31219/osf.io/fbxrz
为了预测新数据点的标签，我们只需将该点的最小-最大-跳跃距离与每个聚类中心（One-SCOM）进行比较。这种机制类似于K-means。
以下是使用最小-最大-跳跃距离来预测三个玩具数据集中10,000个新数据点标签的示例。
下面是一个例子，说明在聚类不明显时，使用KNN和最小-最大-跳跃距离来预测新数据点标签的区别。
DBSCAN.fit_predict(X, y=None, sample_weight=None)
从https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html获取更多信息。