DBSCAN 算法

已于 2022-08-29 17:34:27 修改
阅读量809 收藏 2
点赞数 2
分类专栏： 算法 文章标签： 算法 聚类 机器学习
于 2022-07-20 16:21:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/futu147/article/details/125894935
版权

DBSCAN 算法

DBSCAN的由来

DBSCAN它将簇定义为密度相连的点组成的最大集合，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

在k-means中 , 每个点有且只有一个簇 , 且必须属于一个簇 , 但是在DBSCAN中 , 点最多属于一个簇 , 不属于任何簇的点叫做噪声点

DBSCAN的簇是一个一个形成的 , 不是同时形成的

image-20220716155234902

DBSCAN的基本思想

只要样本点的密度大于阈值，则将该样本添加到最近的簇中。

由密度可达关系导出的最大密度相连的样本集合，即为我们最终聚类的一个类别，或者说一个簇。

DBSCAN算法原理

DBSCAN算法的数学概念

  • 对象的ε-邻域（r-邻域)：给定对象在半径ε内的区域

  • 核心点：对于给定的数目m，如果一个对象的ε-邻域至少包含m个对象，则称该对象为核心对象

  • 直接密度可达：给定一个对象集合D，如果p是在q的ε-邻域内，而q是一个核心对象，我们说对象p从对象q出发是直接密度可达的

  • 密度可达：如果存在一个对象链p 1，p 2， …，p n ，p 1 =q，p n =p，对p i ∈D，(1≤i ≤n)，p i+1 是从p i关于ε和m直接密度可达的，则对象p是从对象q关于ε和m密度可达的

  • 密度相连：如果对象集合D中存在一个对象o，使得对象p和q是从o关于ε和m密度可达的，那么对象p和q是关于ε和m密度相连的

  • 簇：一个基于密度的簇是最大的密度相连对象的集

  • 噪声：不包含在任何簇中的对象称为噪声

DBSCAN算法基本思想

输入: 包含n个对象的数据库

输出: 所有生成的簇 , 达到密度要求

过程:

  • 随机遍历数据库中的一个点 , 算所有点到这个点的距离 , 如果小于等于, 则点属于ε-邻域的点 , ε-邻域的点的个数(就是密度)如果达到要求(大于等于m) , 这团点就是密集的,则核心点成立, 如果没有达到要求,则ε-邻域与核心点都不成立
  • 将周边的点一个个根据这样的要求进行计算 , 找出所有从第一个核心点的密度可达的对象 , 形成一个簇 , 直到抽取的点是边缘点 , 跳出本次循环 , 寻找下一个点 ,
  • 数据库的所有点都会被遍历一遍,不属于任何簇的点就是噪声点
  • 如果有点处在两个簇的交集位置 , 那么哪个簇先包含它 , 它就属于哪个簇 , 但第二个簇在算个数时会算它
  • 计算ε-邻域点的个数时,该范围内的核心点也要算进去,只是它不会再作为核心点

image-20220716155829645

DBSCAN代码实现

1.导入模块

from sklearn.cluster import DBSCAN

2.准备数据

feature = data[['house_lat' ,  'house_lng']]

3.调用DBSCAN类

clf = DBSCAN().fit(feature)
DBSCAN代码实现
DBSCAN(eps=0.5 , min_samples=5 , metric='euclidean' , algorthm='auto' , leaf_size=30 , p=None , random_state=None)
DBSCAN主要属性

clf.core_sample_indices_ # 核心点索引

clf.components_ # 核心点的值

clf.labels_ #每个样本所属的簇

clf.fit_predict # 预测

clf.get_params() # 获得算法参数

DBSCAN参数介绍

DBSCAN类的重要参数也分为两类，一类是DBSCAN算法本身的参数，一类是最近邻度量的参数

  • eps： DBSCAN算法参数，即我们的ϵ-邻域的距离阈值，和样本距离超过ϵ的样本点不在ϵ-邻域内。默认值是0.5

  • min_samples： DBSCAN算法参数，即样本点要成为核心对象所需要的ϵ-邻域的样本数阈值。默认值是5

  • metric：最近邻距离度量参数

  • algorithm：最近邻搜索算法参数，算法一共有三种，第一种是蛮力实现‘brute’，第二种是KD树实现‘kd_tree’，第三种是球树实现‘ball_tree’

  • leaf_size：最近邻搜索算法参数，为使用KD树或者球树时， 停止建子树的叶子节点数量的阈值。这个值越小，则生成的KD树或者球树就越大 , 默认是30

  • p: 最近邻距离度量参数 , p=1为曼哈顿距离，p=2为欧式距离

思考点:
  1. 想要簇多一点,怎么调整参数?

ϵ-邻域 范围小一点,m值(min_sample) 设大一点

  1. 想要簇少一点,怎么调整参数?

ϵ-邻域 范围大一点,m值(min_sample) 设小一点

DBSCAN PK K-Means

DBSCAN相较于K-Means-优势
  1. 和传统的K-Means算法相比，DBSCAN最大的不同就是不需要输入类别数k
  2. 可以发现任意形状的聚类簇（最大优势)
  3. 可以找出异常点
  4. 聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有很大影响

image-20220716175301067

DBSCAN相较于K-Means-劣势

  1. 如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差，这时用DBSCAN聚类一般不适合。

  2. 如果样本集较大时，聚类收敛时间较长，此时可以对搜索最近邻时建立的KD树或者球树进行规模限制来改进。

  3. 调参相对于传统的K-Means之类的聚类算法稍复杂，主要需要对距离阈值ϵ，邻域样本数阈值MinPts联

    合调参，不同的参数组合对最后的聚类效果有较大影响。

荼荼每天都要进步呀
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DBSCAN算法
taylar1357的博客
10-20 325
Density-Based Spatial Clusting of Applications with Nosie 1、关键概念 如果某个点的密度达到算法设定的阈值，则为核心点。即半径r的邻域内点的数量不小于minPts 直接密度可达：如果点p在点q的r邻域内，且q是核心点，则成p到q是直接密度可达。 密度可达：如果有点序列：q0，q1,...qk，对任意的qi，qi-1是直接密度可达的，...
【DBSCAN——KD树优化】
u011511601的专栏
08-13 9551
原博文：亲测可行。最后对比测试时间，与原博主的结果有些大（DBSCAN：67.0119s、DBSCAN_KD-Tree：8.8526s） DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法，是一种基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇(Cluster)，并在具有噪声的...
基于密度的聚类算法（1）——DBSCAN详解
root-cause的博客
10-08 3万+
经典的基于密度的聚类算法——DBSCAN，原理详解与代码实现。
机器学习笔记：DBSCAN
qq_40206371的博客
04-01 1863
Density-Based Spatial Clustering of Applications with Noise 输入：数据集，邻域半径 epsilon，邻域中数据对象数目阈值 minPoints; 输出：密度联通簇。1）从数据集中任意选取一个数据对象点 p；2）如果对于参数 epsilon 和 minPoints，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一个簇；3）如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；4）重复（2）、（3）步，直到所
算法模型---聚类分析之DBSCAN密度聚类算法
03-27 4469
来源 DBSCAN(Density-Based Spatial Clustering of Applications with Noise，基于密度的抗噪聚类方法)。和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。 1. 密度聚类原理 DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的
DBSCAN聚类︱scikit-learn中一种基于密度的聚类方式
热门推荐
素质云笔记
07-11 3万+
一、DBSCAN聚类概述基于密度的方法的特点是不依赖于距离，而是依赖于密度，从而克服基于距离的算法只能发现“球形”聚簇的缺点。 DBSCAN的核心思想是从某个核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。1、伪代码 算法： DBSCAN 输入： E — 半径 MinPts — 给定点在 E 领域内成为核心对象的
DBSCAN算法Matlab实现
06-23
基于密度的聚类算法，DBSCAN算法，在Matlab上实现。文档中包含两个txt的数据集，读者可替换数据集感受DBScan算法聚类的实现结果。
DBSCAN算法实现
08-14
DBSCAN算法实现
机器学习6 DBSCAN 定义，代码，噪声点个数，调参
dd112474的博客
08-26 2034
它将簇定义为密度相连的点组成的最大集合，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1，可以聚成任意形状的簇2，可以把噪声点排除在外，不属于任何簇（kmeans必须有一个簇）......
使用DBSCAN进行文本聚类
samoyan的博客,记录技术成长~
03-23 2033
1、直接上代码 # -*- coding: utf-8 -*- import jieba from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfTransformer from sklearn.cluster import DBSCAN from sklearn.decomposition import PCA, KernelPCA imp
不讲一点数学知识，步步图解条理清晰，手把手带你理解DBSCAN算法
weixin_46429290的博客
12-04 2612
不讲一点数学知识，步步图解条理清晰，手把手带你理解DBSCAN算法 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性基于密度的聚类算法，在机器学习领域也是占有一席之地。 他的基本思想就是根据数据的分布密度，按照我们给定的两个必要的参数，半径参数和最少点个数参数，来基于密度的分布遍历数据集中的所有点，为每个数据给出相应的类别。 一、算法流程 具体的算法流程首先要设定两个超参数 eps：搜索半径，算法会按照
【机器学习】聚类算法-DBSCAN基础认识与实战案例
qq_61260911的博客
04-11 3636
在机器学习中，聚类是一种常见的无监督学习方法，它的目标是将数据集中的数据点分成不同的组，每个组之间具有相似的特征。聚类可以用于各种应用程序，如图像分割，社交媒体分析，医疗数据分析等。DBSCAN是一种聚类算法，它被广泛应用于各种领域。不需要事先设定簇的个数。能够识别任意形状的簇。能够识别噪声点。对参数的设定比较敏感，但是通常只需要调整两个参数：半径ϵ\epsilonϵ和最小样本数MinPtsMinPtsMinPts。
机器学习算法入门与编程实践课后题及答案（唐四新等编著）
wolves7917的博客
12-22 1万+
本文章制作了机器学习算法入门与编程实践课后题及答案（唐四新等编著），希望对大家学习有所帮助。
【数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( K-Means 方法缺陷 | 基于密度聚类原理及概念 | ε-邻域 | 核心对象 | 直接密度可达 | 密度可达 | 密度连接 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
05-05 7472
I . K-Means 算法在实际应用中的缺陷 II . K-Means 初始中心点选择不恰当 III . K-Means 优点 与 弊端 IV . 基于密度的聚类方法 V . 基于密度的聚类方法 DBSCAN 方法 VI . ε-邻域 VII . 核心对象 VIII . 直接密度可达 IX . 密度可达 X . 密度连接
ML - DBSCAN
G____G的博客
03-11 301
密度聚类：desity-based clustering 此类算法假设聚类结构能通过样本分布的紧密程度确定。通常情形下，密度聚类算法从样本的密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。 DBSCAN是著名的密度聚类算法。它常常用于异常检测，他的注意力放在离群点上，所以，当遇到无监督的检测任务时，他是首选。 一些概念 DBSCAN: 基于一组邻域（nei...
DBSCAN聚类的python实现
辉的博客
12-30 2908
DBSCAN是一种基于密度的聚类算法，python中的sklearn.cluster库可以实现DBSCAN聚类。参数介绍1.eps：对象半径；2.min_samples：一个核心对象应该拥有的最少样本数；3.metric：计算样本之间距离的公式,默认metric=‘euclidean’，即欧式距离；4.algorithm：用来找最近邻样本点算法{‘auto’,‘ball_tree’,‘ke_tree’}5.leaf_size：kd_tree或ball_tree中的叶子节点数；决定了搜索快慢。
dbscan 算法软件
最新发布
06-21
### 回答1： DBSCAN算法是一种基于密度的聚类算法，可以对具有不同形状和大小的聚类结构进行聚类分析。它可以自动识别出噪声点并忽略它们，从而提高聚类分析的准确度和可靠性。DBSCAN算法被广泛地应用于数据挖掘、图像处理、模式识别等领域，是一种非常实用的聚类算法。 目前有很多软件支持DBSCAN算法的运用，如R语言中的dbscan包、python中的sklearn包等。它们可以帮助用户快速实现DBSCAN聚类算法，提供了丰富的可视化功能和参数调节选项，方便用户进行数据的挖掘和分析。 其中，R语言中的dbscan包提供了丰富的函数来支持不同的DBSCAN算法实现，包括基于欧氏距离的算法、基于曼哈顿距离的算法等。另外，该包也提供了一系列函数来进行聚类分析的可视化展示，如绘制聚类图、热图等，让用户能更好地理解数据的聚类分析结果。 总之，DBSCAN算法是一种实用的聚类算法，而软件的出现更是方便了用户进行复杂的数据挖掘和分析任务。 ### 回答2： DBSCAN算法是一种基于高密度阈值的聚类算法，其可以自动识别数据中的集群，并将其划分为“核心点”、“边界点”和“噪音点”三种类型，并适用于任意形状和大小的数据集。 目前，DBSCAN算法已经应用于领域广泛，如图像处理、数据挖掘、生物信息学等。为了便于使用DBSCAN算法，现在已经出现了很多DBSCAN算法的软件工具，如RapidMiner、WEKA、OpenCV等。 以RapidMiner为例，该软件提供了DBSCAN算法的插件，用户可以通过可视化界面轻松地进行数据导入、算法设置、聚类结果展示等操作。在设置算法参数时，用户可以根据实际需求调整半径和密度等参数，以达到最优聚类效果。 当然，除了RapidMiner之外，还有很多其他软件也提供了DBSCAN算法的实现，用户可以根据自己的需求选用不同的软件工具。总之，利用DBSCAN算法软件，用户可以方便快捷地进行数据聚类分析，为后续数据分析和决策提供支持。 ### 回答3： DBSCAN算法是数据挖掘中的一种聚类分析算法，它是一种基于密度的聚类分析算法，也是非常流行的一种聚类算法之一。DBSCAN算法可以自动把数据划分成一个个由密集度比较高的区域组成的簇，从而实现聚类分析的目的。 DBSCAN算法的软件实现有很多，比如Weka、R和Python等，也有很多DBSCAN算法的库。 Weka是一个开源的机器学习工具，其中包含了DBSCAN算法的实现。它提供了界面化的交互式分析和可用于编程的API接口，可以非常方便的使用DBSCAN算法进行聚类分析，同时支持多种文件格式的数据导入和导出。 R语言也提供了很好的DBSCAN实现，比如dbscan包，它不仅提供了单机版的DBSCAN实现，同时也支持分布式的DBSCAN算法实现，适合大规模数据的聚类分析。 Python也是一种非常适合实现DBSCAN算法的语言，通过sklearn库可以非常简单的实现DBSCAN聚类分析，并且可以进行灵活的参数设置和可视化展示。 总的来说，DBSCAN算法通过密度的概念，把数据自动分成若干个密集簇，是一种非常有效的聚类算法，同时软件实现也非常方便，适合各种规模的数据分析。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值