26、python密度聚类方法（DBSCAN密度聚类）

最新推荐文章于 2023-04-24 18:02:56 发布

原创

最新推荐文章于 2023-04-24 18:02:56 发布 · 1.8k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#python密度聚类 #DBSCAN聚类

本文介绍了基于密度的聚类算法DBSCAN，它能发现任意形状的簇，不同于基于距离的kmeans和分层聚类。DBSCAN通过密度和领域来定义簇，核心点是密度大于阈值的点，而噪声点则是密度不足的点。使用DBSCAN时，关键参数包括eps（领域半径）和min_samples（点的个数阈值）。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、DBSCAN概念

基于密度的带噪声的空间聚类应用算法，它是将簇定义为密度相连的点的大集合，能够把足够高密度的区域划分为簇，并且可在噪声的空间数据集中发现任意形状的聚类。

2、密度聚类和距离聚类

密度聚类：只要临近区域的密度、对象、或者数据点的数目超过耨个阈值，就继续聚类，可以根据与周伟特点进行聚类

kmeans和分层聚类都是基于距离进行聚类，只能发现球状的簇，五发现其他形式的簇

3、其他概念

01密度：空间中任意一点的密度是以该点为圆形，以Eps为半径的圆区域内包含的点数目。

02 领域：空间中任意一点的领域是以该点为圆心、以Eps为半径的圆区域内包含的点数目。

03 核心点：空间某一点的密度，如果大于某一给定阈值MInPts，则称为边界点。

04 噪声点：数据集中不属于核心点，也不属于边界点的点，也就是密度值为1的点

4、聚类方法

model=sklearn.cluster.DBSCAN(eps,min_samples)

eps 领域的大小，使用圆的半径表示
min_samples 点的个数的阈值

model.fit_predict(data)

data 数据

训练模型并且进行预测的方法

5、案例

import pandas as pd

import matplotlib.pyplot as plt


data = pd.read_csv('D:\\DATA\\pycase\\number2\\7.2\\data.csv')

plt.plot(
        data['x'],
        data['y'],
        '.',
        color='r'
        )
# 只能画出一种颜色，scatter可以根据标签类型区分绘画分类


# 导入DBSCN训练算法

from skl