Weka算法Clusterers-DBSCAN源码分析

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