聚类算法| DBSCAN 密度聚类算法（Matlab源代码，聚类结果可视化）

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法，簇集的划定完全由样本的聚集程度决定。聚集程度不足以构成簇落的那些样本视为噪声点，因此DBSCAN聚类的方式也可以用于异常点的检测。

算法的关键在于样本的‘聚集程度’，这个程度的刻画可以由聚集半径和最小聚集数两个参数来描述。如果一个样本聚集半径领域内的样本数达到了最小聚集数，那么它所在区域就是密集的，就可以围绕该样本生成簇落，这样的样本被称为核心点。如果一个样本在某个核心点的聚集半径领域内，但其本身又不是核心点，则被称为边界点；既不是核心点也不是边界点的样本即为噪声点。其中，最小聚集数通常由经验指定，一般是数据维数+1或者数据维数的2倍。

通俗地讲，核心点就是构成一个簇落的核心成员；边界点就是构成一个簇落的非核心成员，它们分布于簇落的边界区域；噪声点是无法归属在任何一个簇集的游离的异常样本。如图所示。

算法采用带有KD树加速的dbscanwithkdtree函数进行密度聚类。然后，我们根据每个簇的编号使
用hsv色彩映射为每个簇分配不同的颜色，并用散点图进行可视化展示。同时，我们用黑色的""标
记表示噪声点。请注意，DBSCAN的性能高度依赖于选择合适的epsilon和minPts参数。在实际应
用中，你可能需要根据数据的特点进行调整，以获得更好的聚类结果。

运行效果展示：

聚类算法| DBSCAN 密度聚类算法（Matlab源代码，聚类结果可视化）DBSCAN 密度聚类算法，聚类结果可视化，Matlab源代码。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法，簇集的划定完全由样本的聚集程度决定。聚集程度不足以构成簇https://mbd.pub/o/bread/ZpuUlppr