DBSCAN及簇评估

8.4 DBSCAN

基于密度的聚类寻找低密度区域分离的高密度区域。

8.4.1 传统的密度:基于中心的方法

基于中心的方法:数据集中特定点的密度通过对该点半径之内的点计数来估计
根据基于中心的密度进行点分类:
点分类:稠密区域内部点(核心点)、稠密区域边缘点(边界点)、稀疏区域中的点(噪声点)

8.4.2 DBSCAN算法

在这里插入图片描述
1.时间复杂性与空间复杂性
2.选择DBSCAN的参数
半径参数Eps和阈值MinPts:观察点到它的k个最近邻的距离的特性。
3.变密度的簇

8.5 簇评估

8.5.1 概述

1.确定数据集的聚类趋势
2.确定正确的簇个数
3.不引用附加信息,评估聚类分析结果对数据拟合情况
4.比较簇集

  • 非监督的:簇的凝聚性;簇的分离性
  • 监督的:聚类结构
  • 2
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法,它将数据点划分为核心点、边界点和噪声点,并通过密度连接来发现高密度区域。DBSCAN算法的评估指标主要包括以下几个: 1. 轮廓系数(Silhouette Coefficient):轮廓系数用于衡量聚类结果的紧密度和分离度,取值范围为[-1, 1]。当轮廓系数接近于1时,表示聚类结果较好;接近于-1时,表示样本更适合被划分到其他;接近于0时,表示样本存在重叠部分或者样本距离较大。 2. Calinski-Harabasz指数(CH Index):Calinski-Harabasz指数计算了内的紧密度和间的分离度之间的比值,指数值越大表示聚类效果越好。 3. Davies-Bouldin指数(DB Index):Davies-Bouldin指数是通过计算内样本之间的平均距离和间样本之间的最短距离来评估聚类结果,指数值越小表示聚类效果越好。 4. 同质性(Homogeneity)、完整性(Completeness)和V-measure:这三个指标是用于评估聚类结果与真实标签的匹配程度。同质性衡量了同一真实类别中的样本是否被分配到了同一个中;完整性衡量了同一中的样本是否被分配到了同一真实类别中;V-measure是同质性和完整性的加权平均。 需要注意的是,对于无监督的聚类算法如DBSCAN,评估指标主要是用于比较不同参数配置下的聚类结果,以选择最优的参数配置,而不是与真实标签进行比较。因此,评估指标的选择应该根据具体问题和数据集的特点来确定。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值