机器学习-----DBSCAN算法

一、DBSACAN与K-means：

我们刚入门时，大部分学的都是k-means聚类。当我们进行实例操作时，会发现k-means聚类方法有很大的局限性，它无法分离任意形状的数据集如下图。

该数据集对于k-means方法来说，有点过于强人所难了，但对DBSCAN来说，却是小菜一碟。下面我将向大家介绍DBSCAN算法的原理，以及代码是实现。

应用场景：适用于非凸形状聚类（如验证码识别、3D点云分割），解决k-means无法处理的复杂分布问题。

---

二、核心思想：

想象你在校园里发问卷：

• ε-邻域：以你为中心，半径 ε 内的同学就是你的“直接朋友圈”。

• 核心点：如果你的直接朋友圈人数 ≥ min_samples，你就是“核心人物”，有资格成立社团。

• 边界点：你恰好在别人的朋友圈里，但自己朋友圈人数不够，只能算“编外成员”。

• 噪声点：既没资格成立社团，也不属于任何朋友圈，就是“独行侠”。

从图中可以看出：

A是核心对象：它可以感染3个点，半径就是ε阈值，

红色的点都可以独立感染3个点都可以叫做核心点

B、C：由于不能独立感染，有其他