机器学习-DBSCAN密度聚类

Elvis_hui

已于 2022-11-25 15:02:40 修改

阅读量3k

点赞数 1

分类专栏：机器文章标签：聚类算法

于 2022-03-15 16:55:38 首次发布

本文链接：https://blog.csdn.net/Elvis__c/article/details/123506477

版权

9 篇文章 1 订阅

订阅专栏

密度聚类：用于检测任务，找异常点，离群点，效果明显。
针对环形数据，曲线数据

大圆：核心对象，不需要指定簇，周围核心半径有大于min_sample点
小圆：非核心对象，周围少于min_sample点
黑色点：离群点和任何核心对象的距离大于阈值

直观效果上看，DBSCAN算法可以找到样本点的全部密集区域，并把这些区域当作一个个的聚类簇

在这里插入图片描述

邻域半径R和最少点数目MinPoints.
这两个算法参数可以刻画什么叫密集：
领域半径R内的点的个数 > 最少点数目MinPoints 时就是密集

在这里插入图片描述

1.核心点边界点噪声点

在这里插入图片描述

密度直达、密度可达、密度相连、非密度相连

在这里插入图片描述

密度直达：

1.如果P为核心点，Q在P的R领域内，那么成P到Q密度直达
2.任何核心点到自身密度直达
3.密度直达不具备对称性
4.P->Q 密度直达，Q->P不一定
密度可达：
1.核心点P1，P2,…Pn。依次相邻的连续密度直达
2.P1->P2…Pn-1->Pn 且 Pn到Q密度可达。则P1->Q密度可达。
3.密度可达不具备对称性
密度相连：
1.核心点S,S->P和Q 都密度可达，则PQ相连
2.密度相连具有对称性 PQ相连则 QP相连
3.密度相连的两个点，属于同一聚类簇
非密度相连
1.两个点不属于密度相连关系，则两个连非密度相连
2.则该两点属于不同的聚类簇，或者其中存在噪声

寻找核心点形成临时的聚类簇

1.扫描全部样本，满足某个样本点R半径范围内的点数 >= MinPoints, 将其纳入核心点列表

2.并将其密度直达的点形成对应的临时聚类簇
合并临时聚类簇得到聚类簇

1.对于每个临时聚类簇，检查其中的点是否为核心点。如果是将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇。

2，重复此操作，知道当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点，都已经在该类聚类簇，该临时聚类簇升级为聚类簇.

3.继续操作其余的临时聚类簇，知道全部被处理。