我正在研究学校的异常值检测项目。我想我将创建自己的小型数据集并使用DBSCAN进行处理。我想我将尝试创建一个数据集，该数据集关于在网站上点击广告是否作弊。以下是我要创建的数据集的详细信息。
数据集名称：作弊广告点击检测。Column：值source：（类别）URL：0，重定向：1，搜索：2visited_before：：（分类）编号：1，几次：1，风扇：2time_on_site（秒）：（数字）时间用户在站点上工作之前离开秒数。active_type ：（分类）fake_active：0（就像他们只是打开网站，但不做任何事情，只是点击广告），normal_active：1，real_acive：2（也许我会让它成为active的分数：从浮动值开始） 0到10。）[作弊（标签）：：（分类）否：0，是：1
也许我还会有其他一些列，例如用户点击广告的次数，...
我的问题是您认为DBSCAN可以在此数据集上很好地工作吗？如果是的话，您能给我一些技巧来制作一个很棒的数据集或更快地创建数据集吗？如果没有，请向我建议DBSCAN可以很好地与主题配合使用的其他数据集。
非常感谢。
正在描述分类问题，而不是聚类问题。
还使数据的底部没有密度，对吗？
最后但并非最不重要的是，（A）点击欺诈行为是高度聚集的，而不是离群值，（B）噪声（低密度）与离群值（罕见）不同，并且（C）首先获取数据，然后推测可能的算法，因为如果无法获取数据该怎么办？
DBSCAN具有检测异常值的固有能力。由于离群点将不属于任何群集。Wiki状态：
将密集在一起的点（与许多附近的邻居的点组合在一起），标记为离群值单独位于低密度区域（其最近的邻居距离太远）的点]
使用sklearn的合成数据集，例如make_moons和make_blobs，可以很容易地证明这一点。 Sklearn对此颇有体面的demo。
from sklearn.datasets import make_moons
x, label = make_moons(n_samples=200, noise=0.1, random_state=19)
plt.plot(x[:,0], x[:,1],'ro')
Iimplementeddbscan算法前一阵子要学习。 （此回购已被移动）但是，正如Anony-Mousse所说
噪声（低密度）与异常值不同
而且从合成数据集中学到的直觉不一定会延续到实际的真实数据中。因此，上述数据集和实现仅供参考。