聚类算法（3）：DBSCAN密度聚类

目录

1. 基本概念

2. 算法描述

3. 算法实例

4. 算法优缺点

---

DBSCAN（Density—Based Spatial Clustering of Application with Noise）算法是一种典型的基于密度的聚类方法，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值，它将簇定义为密度相连的点的最大集合。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据，主要用于对空间数据的聚类，

1. 基本概念

DBSCAN 算法中有两个重要参数：Eps 和 MmPtS。

• Eps：定义密度时的邻域半径；
• MmPts ：定义核心点时的阈值，形成簇所需的最小核心点数量

在 DBSCAN 算法中将数据点分为以下 3 类。

1）核心点：稠密区域内部的点

如果一个对象在其半径 Eps 内含有超过 MmPts 数目的点，则该对象为核心点。

2）边界点：稠密区域边缘的点

如果一个对象在其半径 Eps 内含有点的数量小于 MinPts，但是该对象落在核心点的邻域内，则该对象为边界点。

3）噪音点：稀疏区域中的点

如果一个对象既不是核心点也不是边界点，则该对象为噪音点。

通俗地讲，核心点对应稠密区域内部的