DBSCAN聚类算法

1、算法引入及简介

     为什么要引入DBSCAN？

     K均值聚类使用非常广泛，作为古老的聚类方法，它的算法非常简单，而且速度很快。但是其缺点在于它不能识别非球形的簇；而DBSCAN算法是将所有点标记为核心点、边界点或噪声点，将任意两个距离不大于E（eps）的核心点归为同一个簇，任何与核心点足够近的边界点也放到与之相同的簇中，可以发现任意形状的簇类。

   人为构造基于sin函数和cos函数构成的两组点数据，分别用K均值与DBSCAN算法聚类，对比如下：

         

                                      K均值                                                                                                         DBSCAN

      可以发现K均值聚类结果是不理想的

       

        DBSCAN定义

      

      DBSCAN(Density-Based Spatial Clustering of Application with Noise)，是一个较有代表性的基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。简单的说就是过滤低密度区域，把扎堆的点（高密度区域）找出来。

2、相关概念
   

    1）密度：任意一点的密度是以该点为圆心、以E为半径的圆区域内包含的点数目。   4
    2）Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域。
    3）核心对象：如果对象的E邻域样本点数大于等于MinPts（最小样本点数）,则称该对象为核心对象。   a
    4）边界点：在以半径为E的邻域内点的数量小于MinPts,但是落在其他核心点的邻域内。    d
    5）噪声点：既不是边界点也不是核心点的任意点。   e
           

   6）直接密度可达：对于样本集合D，如果样本点q在p的Ε领域内，并且p为核心对象，那么对象q从对象p直接密度可达（如果p是一个核心对象，q属于p的邻域，q从p直接密度可达）。