DBSCAN聚类

DBSCAN聚类

首先需要说明的是，密度的定义为在给定半径范围内样本点的数量。

算法步骤

标记

• 对于每一个样本点，在其周边的给定半径的范围内，其余样本点的数量不小于指定的数量的话，这个样本点就是核心点(core point)
• 如果小于指定的最小值，但是其半径范围内有核心点的话，这个点就是边界点(border point)
• 剩下的点称为噪声点(noise point)

划分

• 每个核心点或者距离相近的几个核心点可以被划分为一个单独的簇
• 每个边界点划分到其对应的核心点所在的簇中

优缺点

优点：

1. 和K-Means比较，对聚类数据集的类型没有要求，我们知道K-means要求数据集最好是球状的，而密度聚类则没有这个困扰，它可以对任意形状的数据集进行聚类。
2. 异常点的识别，根据之前对于不同点的划分，密度聚类是可以划分出异常点的，而K-means则不行。

缺点：

1. 维度灾难：随着数据集中特征数量的增加，维度灾难的负面影响也会随之递增。
2. 选择最小值点和半径，和K-means中选择K值类型，选择不同的这两个数据也会对聚类效果产生不同的影响。