我在学校的项目中研究异常值检测。我想我会创建一个自己的小数据集，并使用DBSCAN来处理它。我打算创建一个关于网站广告点击是否作弊的数据集。以下是我将要创建的数据集的详细信息。

数据集名称：广告点击作弊检测。

列：值

来源：                            （分类）url: 0, 重定向: 1, 搜索: 2
之前访问过：                     （分类）没有:0, 几次: 1, 粉丝: 2
网站停留时间（秒）：      （数值）用户在离开网站前在网站上停留的时间，单位为秒。
活跃类型：                         （分类）假活跃: 0（比如他们只是打开网站但不做任何事情只是点击广告），正常活跃: 1, 真实活跃: 2（也许我会让它成为活跃分数：从0到10的浮点值。）
作弊（标签）：                      （分类）没有: 0, 是: 1

我可能还会添加其他一些列，比如用户点击广告的次数，…

我的问题是，你认为DBSCAN在这个数据集上能工作得好吗？如果可以，请给我一些建议，让我创建一个更好的数据集，或者更快地创建数据集？如果不行，请建议我一些DBSCAN可以很好处理的主题的数据集。

非常感谢你。

回答：

DBSCAN天生具有检测异常值的能力。因为异常值点将无法归属于任何一个聚类。Wiki 提到：

它将密集聚集在一起的点（有许多附近邻居的点）分组，将单独位于低密度区域的点（最近的邻居距离太远的点）标记为异常值

这可以使用来自sklearn的合成数据集如make_moons和make_blobs轻松演示。Sklearn有一个相当不错的演示。

from sklearn.datasets import make_moonsx, label = make_moons(n_samples=200, noise=0.1, random_state=19)plt.plot(x[:,0], x[:,1],'ro')

我实现了dbscan算法来学习。（该仓库后来被移动）然而，正如Anony-Mousse所说

噪声（低密度）不等于异常值

从合成数据集中学到的直觉并不一定适用于实际的现实数据。因此，上述建议的数据集和实现仅用于学习目的。