DBSCAN是一种基于密度的聚类算法，适用于非球形聚类。该算法通过邻域参数和MinPts将数据点分类为核心点、边界点和噪音点。核心点是半径内有超过MinPts个点的点，边界点在核心点的邻域内，而噪音点不属于这两类。DBSCAN通过密度可达和密度相连的概念形成聚类簇。算法流程包括确定核心对象，然后以密度可达关系生成聚类簇。合适的邻域参数设定对于获得有效聚类结果至关重要。
一、基于密度的聚类
K-Means 算法、K-Means++ 算法和Mean Shift 算法都是基于距离的聚类算法，当数据集中的聚类结果是球状结构时，能够得到比较好的结果，但当数据集中的聚类结果是非球状的结构时，基于距离的聚类算法的聚类效果并不好。球状结构的聚类如我们前面讲的，非球类结构的聚类如下图所示：
基于距离的三种聚类算法其解得的聚类结果都不对，在上图中，数据的分布呈现明显的密度趋势，所以基于密度的聚类算法 DBSCAN 被提出。
二、DBSCAN 算法原理
1.基本概念
DBSCAN 是一种典型的基于密度的聚类算法，它有两个最基本的邻域参数——
邻域、MinPts：
- 邻域：在数据集 D 中与样本点 xi 的距离不大于 的样本，即
，如下图所示，x* 不在样本点xi 的邻域内，xi 的密度可由 xi 的 邻域内的点数来估计。
- MinPts：在样本xi的邻域内的最少样本点的数目
基于邻域参数邻域和MinPts，在DBSCAN算法中将数据点分为以下三类：
- 核心点：半径内含有超过MinPts数目的点；
- 边界点：在半径内点的数量小于MinPts，但是落在核心点的邻域内；
- 噪音点：既不是核心点也不是边界点的点。
在上图中，设置MinPts的值为10，对应的x1的邻域中有11个样本点，大于MinPts，则x1为核心点。x2的邻域中有6个样本点，小于MinPts且在x1的
最低0.47元/天 解锁文章
扫一扫
1238
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
