4. DBSCAN参数ε（邻域半径）的理解与选择

好，咱们进入第四讲。前面聊了DBSCAN的核心思想，你们应该已经直观感受到：这个算法的关键就两个参数——ε（邻域半径）和MinPts（最少点数）。今天咱就死磕第一个：ε。

我刚开始用DBSCAN做构象聚类时，最头疼的就是调这个ε。选大了，所有构象糊成一团；选小了，明明属于同一个亚稳态的构象被切得七零八落。说白了，ε决定了你眼里“邻居”的范围有多远。

4.1 ε到底是个什么东西？

咱们先回归定义。ε是邻域半径，它在构象空间里画了一个球。对于一个构象点p，所有落在以p为球心、ε为半径的超球体内的其他构象，都算p的邻居。

注意，这个“邻居”关系是双向的吗？不一定。如果q在p的ε邻域内，但p不在q的ε邻域内，这在DBSCAN里是允许的。这也是算法能处理非凸形状簇的关键之一。

4.2 选ε的两个极端后果

我在项目里踩过好几次这个坑，给你说说典型症状。

ε 太小：构象碎片化

每个构象点都只跟自己最亲近的几个邻居连在一起。本该属于同一个亚稳态盆地的大量构象，被分割成十几个小簇。结果是什么？

• 你会发现得到了几十个“簇”，但每个簇里只有几十个帧
• 这些簇的构象结构几乎一模一样，区别只是热涨落
• 许多原本的核心构象被错误标记成了噪声点
• 你根本没法用这些簇来做后续的构象分析或自由能计算

ε 太大：构象过度合并

我有个同事处理一个蛋白的MD轨迹时，偷懒把ε设成了RMSD空间里的一个经验值。结果本来应该分开的折叠态和展开态被合并成了一个簇。他花了三天分析那个“单簇”的构象分布，才发现真相。

• 多个热力学上不同的亚稳态合并到同一个簇里
• 簇的形状变成一个大长条，边界模糊
• 自由能面上的局部极小值被平滑掉了
• 你错失了很多构象变化的细节

4.3 选择ε的实操方法

方法一：k-距离图（最常用）

我个人习惯，永远是先算k-距离图。具体步骤是这样的：

1. 对每个构象点，计算它到第k个最近邻的距离
2. 把这些距离从小到大排序
3. 画出排序后的曲线（横轴是点序号，纵轴是第k近邻距离）
4. 找到曲线出现“拐点”的位置——那里对应的纵坐标就是合适的ε

举个例子，如果你设k=4（通常等于MinPts），那k-距离图就会展示每个点跟它第4个最近邻的距离分布。为什么会拐弯？因为当距离超过某个阈值后，点开始变得稀疏，邻居急剧减少。这个阈值就是ε的候选值。

# 计算 k-距离图 的 Python 示意代码
from sklearn.neighbors import NearestNeighbors
import numpy as np

# X 是你的构象数据矩阵，每一行是一帧构象
nn = NearestNeighbors(n_neighbors=5)  # k=5，包含自身
nn.fit(X)
distances, indices = nn.kneighbors(X)

# 取第4近邻的距离（索引0是自身，索引1-4才是邻居）
k_distances = distances[:, 4]
k_distances_sorted = np.sort(k_distances)

# 画出曲线，找拐点
# 拐点处的 y 值就是 ε

方法二：基于领域知识估算

如果你对自己的构象空间有足够的了解，也可以直接估算。比如在RMSD空间中，一个蛋白亚稳态内部的平均RMSD可能只有0.5-1.5Å。那ε设为1.0-1.5Å就是个合理的起点。

方法三：迭代试探

你想想看，那个最完美的ε往往不是一次算出来的。我建议按这个循环来做：

1. 先通过k-距离图得到一个初值ε₀
2. 以ε₀为中心，取一组候选值：0.5×ε₀, 0.75×ε₀, 1.0×ε₀, 1.25×ε₀, 1.5×ε₀
3. 对每个候选值运行DBSCAN（保持MinPts不变）
4. 观察簇的数量和噪声比例
5. 选一个结果最稳定的ε

4.4 ε与MinPts的相互影响

记住了，ε和MinPts不是独立的。它们一起决定了密度阈值。有个经验公式你可以参考：

密度阈值  >=  MinPts / ( (4/3) * π * ε³ )

# 对于 n 维空间，超球体体积公式为：
# V = (π^(n/2) / Γ(n/2 + 1)) * ε^n
  
# 所以在2维空间：
# 密度阈值 >= MinPts / (π * ε²)

# 在3维空间（比如用前三个主成分做构象降维）：
# 密度阈值 >= MinPts / ((4/3) * π * ε³)

我一般调参时，会先固定MinPts（通常取4或5），然后只调ε。原因很简单：ε在连续空间里变化，更容易找到敏感点。等ε差不多了，再回头微调MinPts。

4.5 你应该避免的常见误区

• 不要把ε设得恰好覆盖所有点：这样整个数据集会被吞成一个簇，啥也分不出来。我见过有人这样做，还问我为什么DBSCAN只输出一个类……
• 不要在标准化前后用同一个ε：如果你对构象特征做了标准化（比如把RMSD、二面角、溶剂可及表面积混合），标准化前后的距离尺度完全不同。ε的标准也跟着变。
• 不要用默认值赌运气：DBSCAN没有万能的默认ε。scikit-learn给的默认值euclidean是0.5，但这在你自己的构象空间里完全没用。