物以类聚,人以群分,平常我们把人和物进行分类,今天来讲一讲如何通过DBSCAN用数据把样本进行聚类。
1. DBSCAN 定义
DBSCAN (Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法。与K均值聚类和层次聚类不同,它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,并可在噪声的空间数据库中发现任意形状的聚类。
2. DBSCAN 的原理
2.1 DBSCAN中几个常见的定义
Ε邻域: 以某个点为中心,半径为E画圆,围成的区域称为该点的E邻域
核心对象: 如果某点E邻域内的样本点数大于等于MinPts(一般为自己设定大于1的正整数),则该点为核心对象
直接密度可达: 如果p为核心对象, q在p的E邻域中,称q从对象p直接密度可达,注意p不一定从对象q直接密度可达,除非q也是核心对象。
密度可达: 对于样本集合D,给定一串样本点{p1,p2….pn},p= p1,q= pn,假如对象pi从pi-1直接密度可达,那么对象q从对象p密度可达。
密度相连: 存在样本集合D中的一点o,如果对象o到对象p和对象q都是密度可达的,那么p和q密度相联。