DBSCAN
在本练习中，您将尝试使用一种基于密度的聚类方法（DBSCAN）来检测欺诈。DBSCAN 的优点是无需事先指定聚类数。另外，相比 K-means，DBSCAN 更擅长处理形状奇特（非凸）的数据。这一次，您不会像之前那样取聚类中的离群点来判定欺诈，而是从数据中选择最小的簇并将其标记为欺诈。已为您准备好经过缩放的数据集 X_scaled。让我们动手试试吧！
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 导入
DBSCAN。 - 初始化一个 DBSCAN 模型，将两个样本之间的最大距离设为 0.9，将簇中的最少观测数设为 10，并将模型拟合到缩放后的数据。
- 获取预测标签，即为每个观测分配的簇编号。
- 打印簇的数量以及其余性能指标。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import DBSCAN
from sklearn.cluster import ____
# Initialize and fit the DBSCAN model
db = DBSCAN(eps=____, min_samples=____, n_jobs=-1).fit(____)
# Obtain the predicted labels and calculate number of clusters
pred_labels = ____.____
n_clusters = len(set(pred_labels)) - (1 if -1 in labels else 0)
# Print performance metrics for DBSCAN
print('Estimated number of clusters: %d' % ____)
print("Homogeneity: %0.3f" % homogeneity_score(labels, pred_labels))
print("Silhouette Coefficient: %0.3f" % silhouette_score(X_scaled, pred_labels))