DBSCAN 聚类

1. DBSCAN原理简介
2. DBSCAN详细介绍及python实现
3. 通过DBSCAN聚类，分析学生上网时间和上网时长的模式

---

sci-kit learn提供了相应的类和API，非常方便简单。

http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html

最简单的应用就是一句话：
from sklearn.cluster import DBSCAN
clf = DBSCAN(eps=0.3, min_samples=10).fit(X)
其中clf就是最终的分类器，而X是输入数据。

输入参数展开说：
class sklearn.cluster.DBSCAN(eps=0.5, min_samples=5, metric=’euclidean’, algorithm=’auto’, leaf_size=30, p=None, random_state=None)
eps：点之间的间距，大于这个间距的就不算一个簇了。
min_samples：可以算作核心点的高密度区域的最少点个数。
metric：距离公式，可以用默认的欧式距离，还可以自己定义距离函数。
algorithm：发现近邻的方法，是暴力brute，二维空间的距离树kd_tree还是球状树形结构ball_tree。这个参数主要是为了降低计算复杂度的，可以从O(N^2)降到O(n*log(n))。换句话说，无论哪种算法都会达到最后的结果，影响的只是性能。
leaf_size：配合两种_tree算法的。
random_state：不用。

结果展开说：
labels_：所有点的分类结果。无论核心点还是边界点，只要是同一个簇的都被赋予同样的label，噪声点为-1.
core_sample_indices_：核心点的索引，因为labels_不能区分核心点还是边界点，所以需要用这个索引确定核心点。

使用心得：
对于文本分类问题，距离计算一般采用”cosin”余弦相似度来度量文本的远近。由于文本分类的权重矩阵样本大且稀疏，计算方法只能采用algorithm = brute