聚类算法之DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

注意：本文引用自专业人工智能社区Venus AI

更多AI知识请参考原站 （[www.aideeplearning.cn]）

DBSCAN是在1990年代后期推出的一种聚类方法，它迅速成为基于密度的聚类技术中最受欢迎和广泛使用的算法之一。与传统的聚类方法如K-means不同，DBSCAN的主要优势在于其能够识别出任意形状的聚类，并有效地处理噪声。在机器学习和数据分析领域，该算法常被用于其高鲁棒性和对形状的不受限制的处理能力。

​

1. 算法解读：

DBSCAN是一种基于密度的聚类方法，其基本思想是：在一个特定的半径内有足够多的点，则这些点构成一个“密集”区域。根据这一思想，DBSCAN将数据点分类为核心点、边界点和噪声点。这些基本概念的解释如下：

核心点：在其半径ε内，存在超过 MinPts 数量的其他点，那么这个点被称为核心点。这意味着核心点周围有足够多的邻居，构成了一个“密集”区域。

边界点：在其半径ε内有少于MinPts数量的邻居点，但是它离某个核心点足够近，可以被归入某个聚类。

噪声点：既不是核心点，也不是边界点被认为是噪声点，它们不属于任何聚类。

MinPts：MinPts是一个用户定义的参数，表示一个点的邻域中最小的数据点数量，用于判断该点是否为核心点。如果一个点的半径ε内的邻居点数量不少于MinPts，那么这个点被认为是核心点，反之则不是。

DBSCAN首先任意选择一个点，并检查其邻居点的数量。如果该点是一个核心点，一个新的聚类将开始。否则，该点被标记为噪声。然后，DBSCAN会继续探索这个核心点的邻居，并将它们添加到同一个聚类中。这个过程递归地继续࿰