Кластеризация Scikit-Learn DBSCAN без кластеров

У меня есть набор данных с десятком измерений (столбцов) и около 200 наблюдений (строк). Этот набор данных был нормализован с использованием quantile_transform_normalize. (Обновлено: я попытался запустить кластеризацию без нормализации, но все равно не повезло, поэтому я не верю, что это причина.) Теперь я хочу сгруппировать данные в несколько кластеров. До сих пор я использовал KMeans, но читал, что он может быть неточным в более высоких измерениях и плохо обрабатывать выбросы, поэтому я хотел сравнить с DBSCAN, чтобы увидеть, получу ли я другой результат.

Однако, когда я пытаюсь кластеризовать данные с помощью DBSCAN с использованием метрики расстояния Махаланобиса, каждый элемент кластеризуется в -1. По документации:

Noisy samples are given the label -1.

Я не совсем уверен, что это означает, но я получал несколько хороших кластеров с KMeans, поэтому я знаю, что есть что-то для кластеризации - это не просто случайное.

Вот код, который я использую для кластеризации:

covariance = np.cov(data.values.astype("float32"), rowvar=False)
clusterer = sklearn.cluster.DBSCAN(min_samples=6, metric = "mahalanobis", metric_params = {"V": covariance})
clusterer.fit(data)

И это все. Я точно знаю, что data - это числовой DataFrame Pandas, поскольку я проверил его в отладчике.

Что могло вызвать эту проблему?