密度聚类之DBSCAN及Python实现

密度聚类

密度聚类，即基于密度的聚类(density-based clustering)，此类算法假设聚类结构能通过样本分布的紧密程度确定。前面所讲的原型聚类及层次聚类等都是把距离(欧式距离，闵科夫斯基距离，曼哈顿距离等)作为两个样本或者两个簇之间相似度的评价指标，因此导致了最终聚类结构大都是球状簇或者凸形集合，对任意形状的聚类簇比较吃力，同时对噪声数据不敏感，而基于密度的聚类算法可以发现任意形状的聚类，且对带有噪音点的数据起着重要的作用。

DBSCAN

DBSCAN(Density-Based Spatial Clustering of Application with Noise)是一种典型的基于密度的聚类算法，能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。它是基于一组“邻域”(neighborhood)参数$(\epsilon ,MinPts)$来刻画样本分布的紧密程度。

概念

给定数据集$D=\left \{ x_{1},x_{2},...,x_{m}\right \}$，定义下面这几个概念：

• $\epsilon$-邻域：对$x_{j} \in D$，其$\epsilon$-邻域包含样本集$D$中与$x_{j}$的距离不大于$\epsilon$的样本，即$N_{\epsilon}(x_{j})=\left \{ x_{i} \in D | \mathrm{dist}(x_{i},x_{j}) \leq \epsilon \right \}$，这个子样本集的个数记为$\left | N_{\epsilon}(x_{j})\right |$;
• 核心对象(core object):若$x_{j}$的$\epsilon$-领域至少包含$MinPts$个样本，即 |Nϵ(xj)|≥Mi