DBSCAN算法

1. 介绍

这篇英文博客写的老清楚了，传送门：https://medium.com/@reddyyashu20/density-based-spatial-clustering-of-applications-with-noise-dbscan-is-a-clustering-algorithm-that-89e00dec4800

简单翻译一下，DBSCAN全称是Density-Based Spatial Clustering Applications with Noise, 即带噪声的基于密度的空间聚类算法，顾名思义，把空间中密度高的点聚成一类，与密度低的那些点分离开来，DBSCAN算法不需要指定聚类的簇数 ，自己能够对任意形状的的空间点进行聚类。
算法工作需要定义两个参数，一个是epsilon,另一个是最小点的个数，epsilon定义了在每个点多大的邻域内进行搜索，是需要设置的一个邻域半径；而minPts最小点数指定了形成一个密集的区域最少要有多少点，点数少于minPts的那些点都认为是离群点或者噪声点。

2. 用法

from sklearn.cluster import DBSCAN
db_scan_model = DBSCAN(eps=0.2,min_samples=5)
labels = db_scan_model .fit_predict(person_point)
outlier_mask = labels == -1 #labels为-1的是噪声点，不属于任何聚类的一簇

dbscan模型把person_point这堆空间点进行聚类，labels打印如下，可以看到一共聚成了5类，值为-1的判断为噪声点：

3. 总结

优点：

1. 与K-Means相比，不需要手动确定簇的个数K，但需要确定邻域r和密度阈值minPts
2. 能发现任意形状的簇
3. 能有效处理噪声点（邻域r和密度阈值minPts参数的设置可以影响噪声点）

缺点：

1. 当数据量大时，处理速度慢，消耗大

2. 当空间聚类的密度不均匀、聚类间距差相差很大时参数密度阈值minPts和邻域r参数选取困难

3. 对于高维数据，容易产生“维数灾难”（聚类算法基于欧式距离的通病）

实际使用中，要根据自己的数据，多次进行两个阈值的调试，可视化效果，从而找到最优的阈值。