伪代码之KMeans和DBSCAN

一、KMeans

1. 在数据集N中随机初始化k个质心。
2. 遍历数据集中的每个点，判断点到指定质心的距离，并把点归到距离最小的质心类别里。
3. 对(2)中处理后的所有类别点进行质心的计算，更新k个质心。
4. 重复(2)(3)操作，直到质心稳定或者到达指定迭代次数停止。

二、DBSCAN

DBSCAN是基于自适应聚类的方法，主要参数有 ε（半径参数），密度阈值Minpts。

1. 给定数据集N，此时所有的点被标记为unvisited，初始的时候从unvisited中的点内随机选择一个点p，计算以p为圆心， ε为半径的圆包含的所有点的数目n，如果n大于Minpts,则把p以及p圆内的所有点都标记为类别C，并标记为visited，否则重新选取点p。
2. （1）中对p圆内中的所有点都已经标记好了，接着对圆内每个点再次进行密度距离计算，判断以该点为中心，在ε半径内的所有点数量是否大于Minpts，如果大于，则把这些点标记为类别C和visited，否则不予处理，按照这种方法蔓延展开。
3. 对未标记visited点执行(1)(2)步，直到每个点的属性不再发生改变，计算每类点的中心坐标。