DBSCAN是一种基于密度的聚类算法，它能处理噪声点并发现任意形状的聚类，无需预设聚类数量。该算法涉及核心点、边界点和噪声的定义，以及e-邻域、密度可达和密度相连的概念。伪代码中，ClusterId初始化后通过ExpandCluster函数判断点是否属于簇。使用sklearn库进行DBSCAN聚类，主要调节eps和min_samples参数，通过标签输出和数据可视化展示结果。
一、介绍
DBSCAN是一种著名的基于密度的聚类算法，是Martin Ester、Hans-Peter Kriegel等人在1996年提出来的（参考文献：A density-based algorithm for discovering clusters in large spatial database）。该算法能够有效处理噪声点和发现任意形状的空间聚类，与k-means聚类算法相比，不需要输入要划分的聚类个数。
二、相关概念
要理解DBSCAN算法，首先要清楚以下相关概念：
定义1：（e-领域) ：点p的e-邻域记作:
即：以p为圆心，e为半径的范围里，所有的点q的集合。
定义2：（直接密度可达）：如果:
（1）点p在点q的e-领域内
（2）在点q的e-领域内，至少包含MinPts个点
那么点p由点q直接密度可达，满足第2个条件的点q，被称为核心点（core point）。
定义3：（边界点）：边界点（border point）不是核心点，因为它不满足其e-邻域内，至少包含MinPts个点，但边界点在其他核心点的e-邻域内。
定义4：（密度可达
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
