这篇文献笔记介绍了Density Peaks Algorithm（DP算法），该算法假设聚类中心由低局部密度点包围，且这些点远离高密度点。算法计算每个点的局部密度和距离高密度点的距离，通过这两个参数识别异常点并确定聚类中心。聚类过程包括计算密度和距离向量，选择高密度-远距离点作为中心，然后按密度传播确定类别。
最近看了一篇关于基于密度的聚类算法---Density Peaks Algortihm, 把自己对该聚类算法的理解，写在这篇文献笔记中。
一、算法思想
这个DP算法假设聚类中心被较低局部密度的点所围绕，并且这些点距离具有较高局部密度的点有相对更大的距离。因此，对于数据集中的任何数据点i, DP算法计算出两个参数值：
（1） 局部密度
计算局部密度需要一个距离阈值 ， 局部密度就是距离某点i的距离小于距离阈值的所有点的数量。在文献中推荐设置阈值已保证局部密度在样本总数的1%-5%之间。
（2） 点i距离高局部密度点的距离
点i距离高局部密
最低0.47元/天 解锁文章
扫一扫
431
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
