DBSCAN聚类算法

1. DBSCAN是什么？

1.1初见美人

基于密度的噪声应用空间聚类(DBSCAN)是一种无监督的ML聚类算法。无监督的意思是它不使用预先标记的目标来聚类数据点。聚类是指试图将相似的数据点分组到人工确定的组或簇中。它可以替代KMeans和层次聚类等流行的聚类算法。与KMeans算法不同，它不需要确定聚类的数量，而是基于数据推测聚类的数目，它能够针对任意形状产生聚类。

1.2算法参数介绍

1. 两个重要的参数：

epsilon:在一个点周围邻近区域的半径
这个值越大，聚类后的集合范围就更大，包含更多的数据点。形成的集群数目就会越小。

minPts:邻近区域内至少包含点的个数
就是上面一个参数一定半径内的最少点数。如果一定半径内，数据点小于minPts，则该范围内的数据不计入当前簇。越小的值，会产生越多的集群分类。较大的值将产生较大的集群。

例：如果“最小点”= 4，则在彼此距离内的任意4个或4个以上的点都被认为是一个簇

2. 其他参数：

epsilon-neighborhood:简称（e-nbhd）表示半径为e且含有若干数据的集群，
密度空间=一定空间内的数据数/空间大小

例：图中中心点是（3,2），半径epsilon是0.5，（图片来自：FAIRY_ZHANG_）

1.3样本点的分类

1. 核心点（core point）:在半径Eps内含有超过MinPts数目的点。也就是，核心点在其近邻距离内至少有最少数量的样本点
2. 边缘点（border point）:在半径Eps内点的数量小于MinPts,但是落在核心点的邻域内的点。
3. 离群点（Outlier）:既不是核心点也不是边界点的点。这些点处于低密度地区，也叫做噪声点

图示：（图片来自deephub）

随机选取一个点，找到半径EPS内的数据点，与minPts比较，>则为核心点，>0&<minPts则为边界点，=0则为离群点（图片来自deephub）

再来一张图加深理解

2. 算法流程

看过上面的样本点分类，相信你聪明的脑瓜里已经有了算法的雏形。

1. 随便找一个点作为起始点，根据NBHD(p,epsilon)，判断点的类型
2. 找到一个核心点，建立一个类，加入符合NBHD的样本点到该类中，直到该类的所有边缘点的NBHD都加入这个类中，则这个类结束
3. 重复上述1，2。遍历所有的点
4. 得到若干个类和离群点（噪音点）

例：（图片来自：博客园bonelee）

3. 算法的优缺点

3.1它哪里好？

1. 不需要确定聚类的数量，而是根据不同的NBHD得出聚类的数量。不需要像KMeans那样预先确定集群的数量
2. 可以产生任何形状的聚类，（kmeans聚类算法只能处理球形的簇）
3. 异常值不敏感（噪音点）
   

3.2 它哪里不好

1. 难以聚类高维数据（也就是NBHD如何选取）
2. 参数敏感

4.代码实现

码了再来补，哈哈

5. 一个算法可视化的网站

https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/
码了再来补，哈哈