DBSCAN是一种基于密度的聚类算法，能发现任意形状的簇并对抗噪声。算法涉及两个参数：ε和MinPts，通过ε邻域内的点数量判断核心点、边界点和噪声点，最终形成聚类簇。其优点包括无需预设簇数量，发现非凸形状簇，识别噪声，对数据顺序不敏感。缺点包括高维数据效果不佳，对参数敏感，不适合密度不均匀数据集，需要合适距离度量。改进方法包括动态调整参数、分区聚类等。
密度聚类方法的指导思想: 只要样本点的密度大于某个阈值，则将该样本添加到最近的簇中这类算法可以克服基于距离的算法只能发现凸聚类的缺点，可以发现任意形状的聚类，而且对噪声数据不敏感。计算复杂度高，计算量大、一次扫描、需要密度参数作为停止条件。
常用密度聚类算法：DBSCAN、MDCA、OPTICS、DENCLUE等
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)一个比较有代表性的基于密度的聚类算法，相比于基于划分的聚类方法和层次聚类方法，DBSCAN算法将簇定义为密度相连的点的最大集合，能够将足够高密度的区域划分为簇，并且在具有噪声的空间数据商能够发现任意形状的簇。
核心思想：
用一个点的ε邻域内的邻居点数衡量该点所在空间的密度，该算法可以找出形状不规则的cluster，而且聚类的时候事先不需要给定
cluster的数量。
具体算法步骤：
DBSCAN 算法有两个参数：半径 eps 和密度阈值 MinPts，具体步骤为：
1、以每一个数据点 xi 为圆心，以 eps 为半径画一个圆圈。这个圆圈被称为 xi 的 eps 邻域
2、对这个圆圈内包含的点进行计数。如果一个圆圈里面的点的数目超过了密度阈值 MinPts，那么将该圆圈的圆心
最低0.47元/天 解锁文章
扫一扫
4710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
