CFSFDP聚类算法（本文后附有参考代码）

                                                通过快速搜索和发现密度峰值进行聚类

聚类分析目的是根据相似性划分类别，它的应用范围从天文学到生物信息学、文献计量学和模式认出我们提出了一种基于集群中心特征化的方法，通过比其邻居更高的密度以及与具有密度更高。这一思想构成了聚类过程的基础，其中聚类直观地出现，异常值被自动发现并从分析中排除，以及无论簇的形状和空间的维度如何，都可以识别簇它们是嵌入的。我们在几个测试案例中演示了算法的性能。

     聚类算法试图根据元素的相似性将元素分类为类别或簇。已经提出了几种不同的聚类策略（1），但即使在聚类的定义上也没有达成共识。在K-means（2）和K-medoids值（3）方法中，聚类是以距离聚类中心较小为特征的数据组。优化目标函数（通常是到一组假定聚类中心的距离之和）（3-6），直到找到最佳聚类中心候选。然而，由于数据点总是分配给最近的中心，因此这些方法无法检测非球形簇（7）。在基于分布的算法中，人们试图再现观察到的概率分布函数（8）；这些方法的准确性取决于试验概率表示数据的能力。通过基于数据点的局部密度的方法，可以容易地检测具有任意形状的聚类。在基于密度的带噪声应用的空间聚类（DBSCAN）（9）中，选择密度阈值，丢弃密度低于该阈值的区域中的点作为噪声，并将高密度的断开区域分配给不同的聚类。然而，选择一个合适的阈值可能是不平凡的，这是均值漂移聚类方法中不存在的缺点（10，11）。在这里，簇被定义为一组点，这些点收敛到密度分布函数的相同局部最大值。该方法允许在一组坐标系中找到非球面簇，计算成本高。在这里，我们提出了另一种方法。与K-medoids方法类似，它的基础仅在于数据点之间的距离。与DBSCAN和mean shift方法一样，它能够检测非球形簇并自动找到正确的簇数。聚类中心被定义为数据点密度的局部最大值，如均值移动法。然而，与均值漂移方法不同，我们的方法不需要将数据嵌入向量空间，并显式最大化每个数据点的密度场。

该算法的基础是假设簇中心被具有较低局部密度的邻居包围，并且它们与具有较高局部密度的任何点之间的距离相对较大。对于每个数据点i，我们计算两个量：其局部密度

（1）

和其与高密度点的距离。这两个量仅取决于数据点之间的距离，假设数据点满足三角不等式。局部密度定义为：

 

 

 边界区域内的最高密度点。我们用表示其密度。密度高于的簇的点被视为簇核心的一部分（鲁棒分配）。其他被视为集群晕的一部分（s u i t a b l e t o b e c o n s i d e r e d a s n o e）。为了对我们的程序进行基准测试，让我们首先考虑图2中的测试案例。数据点来自具有非球形和强重叠峰值的概率分布（图2A）；对应于最大值的概率值相差几乎一个数量级。在图2、B和C中，分别从图2A中的分布绘制4000和1000个点。在相应的决策图（图2、D和E）中，我们仅观察到五个点，它们具有大的和相当大的密度。这些点在图中表示为大实心圆，对应于簇中心。选择中心后，每个点指定给簇或光环。该算法捕获概率峰值的位置和形状，甚至那些对应于非常不同的密度（图2C中的蓝色和浅绿色点）和非球形峰值。此外，分配给光环的点对应于图2A中的能力分布的簇，不会分配给任何峰值。为了更定量地证明程序的稳健性，我们通过从图2A中的分布中绘制10000个点来进行分析，并将在该样本上获得的聚类分配作为参考。然后，我们通过只保留一小部分点来获得简化样本，并独立地为每个简化样本执行聚类分配。图2F显示了作为缩减样本大小的函数，分配给集群的点的比例不同于在参考案例中分配的点。即使对于包含1000个点的小样本，错误分类点的比例仍远低于1%。图2B中数据的变化dc产生相互一致的结果（图S1）。根据经验法则，可以选择dc，使得邻居的平均数量大约为数据集中点总数的1%到2%。

https://download.csdn.net/download/m19166/86510994