DBSCAN

最新推荐文章于 2025-07-06 15:29:28 发布

火鸡哥

最新推荐文章于 2025-07-06 15:29:28 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习非监督学习

本文链接：https://blog.youkuaiyun.com/u012587024/article/details/82969385

机器学习同时被 2 个专栏收录

33 篇文章

订阅专栏

非监督学习

5 篇文章

订阅专栏

本文深入探讨DBSCAN密度聚类算法，详细讲解其工作原理，包括关键参数ϵepsilonϵ和MinPts的作用，以及在sklearn中的实现方法。同时，分析DBSCAN处理离散型数据和噪声数据的能力及局限性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DBSCAN

DBSCAN是一种密度聚类算法，它基于一组参数( $ϵ\epsilon$ ,MinPts)来刻画样本分布的紧密程度。

1､算法原理

如上图所示，DBSCAN的有两个非常重要的参数 $ϵ\epsilon$ 和MinPts；图中
“归同类"的意思是"如果该范围内有样本已经归类，则这些样本都属于该类；否则就创建一个新类别，这些样本都属于这个新类别”。
$ϵ\epsilon$ ：指的是范围半径；
$M i n P t s$ ：指的是聚为一类的最小样本数；

2､sklearn中的DBSCAN

from sklearn import cluster
dbscan = cluster.DBSCAN(eps=1.2, min_samples=10)
clustering_labels = dbscan.fit(train_data)

3､DBSCAN的优缺点

在这里插入图片描述
如图一、四，DBSCAN对离散型数据的聚类效果并不好；图五效果不好的原因是参数 $ϵ\epsilon$ 的值太大了，只要 $ϵ\epsilon$ 的值设置好了，图五也能很好地聚类；DBSCAN能识别噪音，可以很好地不受噪音的影响。