如果说世界上只能存在一种基于密度的聚类算法的话,那么它必须是DBSCAN(Density-based spatial clustering of applications with noise)。DBSCAN作为基于密度聚类算法的典型,相对于Kmeans,最大优点是可以自己决定聚类数量,同时可以过滤一些噪点,但相对的,对传入的参数较为敏感,并且参数调优全靠经验。
一、算法
对于算法部分只做一些”感性“的分析,具体算法的理论证明以及更精确的形式化描述参考Wiki:http://en.wikipedia.org/wiki/DBSCAN
DBSCAN算法相对于简单,只要弄清几个概念,算法本身是水到渠成的。
(1)几个变量
领域半径e,最小数目minOpt
(2)几个名词
核心对象:若一个对象其领域半径e内的对象数量大于等于minOpt,则称该对象为核心对象。
直接密度可达:若一个核心对象p,其领域半径内有若干点q,则对于每一个q有q从对象p直接密度可达。
(3)算法流程
主流程:输入e,minOpt以及对象集合n
I、找到一个未标记的核心对象k,并设此对象为已标记,若找不到核心对象直接退出
II、扩展此核心对象,expand(k)
III、若所有对象均已标记,则退出,否则转I
expand流程:输入核心对象k
I、初始化一个集合S,放入k
II、遍历该集合元素,对于集合中每一个核心对象,找到其所有未标记的的密度可达对象,放入集合S,并设为已标记
III、若II没有加入任何新对象,则退出,否则转II
在分析Weka的实现时,除了代码本身,着重关心以下几点:
(1)是否使用了特殊的数据结构来提高效率
(2)缺失值的处理
(3)噪声的处理
(4)其它实现技巧
(5)和原始DBSCAN不同之处
二、SequentialDatabase类
在分析具体的buildClusterer方法之前,先分析SequentialDatabase类,该类是DBS