DBSCAN聚类算法

基本概念

  基于密度的带噪声的空间聚类应用算法，它是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，并在噪声的空间数据集中发现任意形状的聚类。

操作流程

1. 在样本点钟随机选取一个点，判断这个点在周围半径为E的范围内样本点的个数
2. 如果样本点的个数超过设定的阈值个数说明这个点位核心对象
3. 对核心对象周围所有的点重复上述1,2操作
4. 如果在同一个半径圆内我们称为直接密度可达：A与C
5. 通过圆相交间接连接称为密度可达：A与B
6. 与所有点都不连接的点称为离群点：N

实现过程

参数&属性

class sklearn.cluster.DBSCAN(
eps=0.5,
min_samples=5,
metric=’euclidean’,
metric_params=None,
algorithm=’auto’,
leaf_size=30,
p=None, 
n_jobs=None)

参数

• eps： DBSCAN算法参数，即我们的ϵϵ-邻域的距离阈值，和样本距离超过ϵϵ的样本点不在ϵϵ-邻域内。默认值是0.5.一般需要通过在多组值