Python 实现DBSCAN 算法

 一、基于密度的聚类

K-Means 算法、K-Means++ 算法和Mean Shift 算法都是基于距离的聚类算法，当数据集中的聚类结果是球状结构时，能够得到比较好的结果，但当数据集中的聚类结果是非球状的结构时，基于距离的聚类算法的聚类效果并不好。球状结构的聚类如我们前面讲的，非球类结构的聚类如下图所示：

基于距离的三种聚类算法其解得的聚类结果都不对，在上图中，数据的分布呈现明显的密度趋势，所以基于密度的聚类算法 DBSCAN 被提出。

二、DBSCAN 算法原理

1.基本概念

DBSCAN 是一种典型的基于密度的聚类算法，它有两个最基本的邻域参数——邻域、MinPts：

• 邻域：在数据集 D 中与样本点 xi 的距离不大于 的样本，即，如下图所示，x* 不在样本点xi 的邻域内，xi 的密度可由 xi 的 邻域内的点数来估计。

• MinPts：在样本xi的邻域内的最少样本点的数目

基于邻域参数邻域和MinPts，在DBSCAN算法中将数据点分为以下三类：

 

• 核心点：半径内含有超过MinPts数目的点；
• 边界点：在半径内点的数量小于MinPts，但是落在核心点的邻域内；
• 噪音点：既不是核心点也不是边界点的点。

在上图中，设置MinPts的值为10，对应的x1的邻域中有11个样本点，大于MinPts，则x1为核心点。x2的邻域中有6个样本点，小于MinPts且在x1的