浅尝辄止_数学建模（笔记__基于密度的聚类算法DBSCAN算法）

一、DBSCAN算法

DBSCAN是一种基于密度的聚类算法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可以将密度足够大的相邻区域连接，能有效处理异常数据。

---

1.基本概念

DBSCAN算法将数据点分为三类：

1. 核心点：在半径Eps内含有不小于MinPts数目的点（红色点）
2. 边界点：在半径Eps内，点的数量小于Minpts，但是落在核心点的领域内（黄色点）
3. 噪音点：既不是核心点也不是边界点的点（蓝色点）

---

2.Matlab软件代码（DBSCAN算法）

Matlab官网推荐下载的代码：DBSCAN Clustering Algorithm
 
输出结果中，IDX表示聚类结果，其中0表示是孤立点

---

3.DBSCAN算法的优点

1. 基于密度定义，能处理任意形状和大小的簇；
2. 可以在聚类的同时发现异常点；
3. 与K-means算法比起来，不需要输入初始的聚类个数

---

4.DBSCAN算法的缺点

1. 对输入的参数Eps和Minpts敏感，确定参数困难；
2. 由于DBSCAN算法中，变量Eps和Minpts是全局唯一的，当聚类的密度不均匀时、聚类距离相差很大时，聚类的效果差；
3. 当数据量大时，计算密度单元的计算复杂度大。

---

二、几类聚类算法的使用建议

1. 只有两个指标，且做出散点图后发现数据表现得很“DBSCAN”，这时使用DNSCAN进行聚类
2. 大部分情况下，使用系统聚类的方法；K-means也可以使用，但是此时在论文中可能无话可说。