【聚类】篇四之理解密度聚类算法DBSCAN

一、密度聚类概述

密度聚类假设聚类结构能通过样本的紧密程度确定，同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。从样本密度出发考虑样本间的可连接性，然后基于可连接样本不断扩展聚类的簇实现聚类的目的。基于原型（划分）和层次的聚类方法一般只能发现球状的簇，很难去发现任意形状的簇，为了发现任意形状的簇，我们可以把簇看成是数据空间中被稀疏区域划分开的稠密区域。那么如何在基于密度的聚类中发现稠密区域呢？原则是一个对象的密度可以用靠近它的对象的数量来表示。

二、DBSCAN聚类

（一）、基础概念

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。
DBSCAN的核心在于确定某个对象的邻域，参数(ϵ, MinPts)用来描述邻域的样本分布紧密程度，其中，ϵ描述了某一样本xj的邻域距离阈值,即样本集D中与xj距离不大于ϵ的样本，即：

MinPts描述了某一样本的距离为ϵ的邻域中样本个数的阈值。
首先，先明确两个概念：
1） ϵ-邻