MATLAB DBSCAB简介

MATLAB DBSCAN简介
DBSCAB简介
基于密度的带噪声应用空间聚类（DBSCAN）识别数据中任意形状的聚类和噪声（离群点）。统计与机器学习工具箱™ 函数dbscan可以对输入数据矩阵或观测值之间的成对距离执行聚类。dbscan返回集群索引和一个向量，指示作为核心点（集群内的点）的观测。与k-means聚类不同，DBSCAN算法不需要事先知道聚类的数目，而且聚类不一定是球状的。DBSCAN对于基于密度的异常点检测也很有用，因为它可以识别不属于任何集群的点。
对于要分配给簇的点，它必须满足其epsilon邻域（epsilon）至少包含最小邻域数（minpts）的条件。或者，该点可以位于满足epsilon和minpts条件的另一点的epsilon邻域内。DBSCAN算法识别三种类型的点：
核心点-在其epsilon邻域中至少有minpts邻居的簇中的点
边界点-在其epsilon邻域中具有少于minpts邻居的簇中的点
噪声点-不属于任何群集的异常值
DBSCAN可以使用范围广泛的距离度量，您可以为特定的应用程序定义自定义距离度量。距离度量的选择决定了邻域的形状
算法描述
对于指定的epsilon邻域epsilon值和核心点所需的最小邻域minpt数，dbscan函数按如下方式实现dbscan：
1、从输入数据集X中，选择第一个未标记的观测x1作为当前点，并将第一个簇标签C初始化为1。
2、在当前点的epsilon邻域epsilon内找到点集。这些点是邻域。
A、如果邻域的数目小于minpts，则将当前点标记为噪声点（或异常值）。转到步骤4。
注意：
dbscan可以在噪声点满足epsilon和minpts从X中的其他点设置的约束条件时，将噪声点重新分配给簇。这种重新分配点的过程发生在簇的边界点上。
B、否则，将当前点标记为属于群集C的核心点。
3、遍历每个邻居（新的当前点），重复步骤2，直到没有找到可以标记为属于当前集群C的新邻居。
4、选择X中的下一个未标记点作为当前点，并将簇计数增加1。
5、重复步骤2-4，直到X中的所有点都被标记。

语法
idx=dbscan（X，epsilon，minpts）使用dbscan算法（参见算法）将n-by-p数据矩阵X中的观测值划分为簇。dbscan基于邻域搜索半径epsilon的阈值和识别核心点所需的最小邻域minpt数对观测值（或点）进行聚类。函数返回一个n乘1向量（idx），其中包含每个观测值的簇索引。
idx=dbscan（X，epsilon，minpts，Name，Value）使用一个或多个名称-值对参数指定其他选项。例如，您可以指定’Distance’，‘minkowski’，‘P’，3以在DBSCAN算法中使用指数为3的minkowski距离度量。
idx=dbscan（D，epsilon，minpts，‘Distance’，‘precomputed’）返回观测值之间预先计算的成对距离D的簇索引向量。D可以是pdist或pdist2的输出，也可以是分别符合pdist或pdist2的输出格式的更一般的不同向量或矩阵。
[idx，corepts]=dbscan（ ）还返回一个逻辑向量corepts，其中包含由dbscan标识的核心点，使用前面语法中的任何输入参数组合。
X：输入数据，指定为n-by-p数字矩阵。X的行对应于观察（或点），列对应于变量。
Idx：群集索引，作为数值列向量返回。idx有n行，idx的每一行表示X中相应观测值的集群分配。等于–1的索引表示异常值（或噪声点）。
注意：
使用DBSCAN算法的集群分配取决于观察的顺序。因此，对X的行进行洗牌可能会导致对观察结果进行不同的集群分配。