DBSCAN聚类的Scikit-learn实现

DBSCAN聚类的Scikit-learn实现

- 目录
   1 dbscan原理介绍
   2 dbscan的python scikit-learn 实现及参数介绍
   3 dbscan的python scikit-learn调参

1. dbscan原理介绍
   1.1样本点的分类：
   核心点（core point）： 若样本点在其规定的邻域内包含了规定个数（或大于规定个数）的样本点，则称该样本点为核心点。
   边界点（border point）：若样本点在其规定的邻域内包含的样本点数少于规定的样本点数，但是该样本点属于其他核心点的范围内，则该点为边界点。
   噪声点（noise）： 既不是核心点也不是边界点的点。
   

三类点    通过上面三类点的介绍，我们可以发现，要找到这三类点，必须有两个参数：1）规定的邻域距离，2）规定邻域内点的个数。这两个点就是实现dbscan算法的两个核心参数eps和min_sample。这两个参数如何选取在“调参部分”（第3部分）会讲解。 1.2dbscan的实现步骤 循环每个样本点point_i：    step1：寻找规定的邻域距离（eps）内的所有样本点，如果邻域内的样本点数小于min_sample数，则将该样本点标记为“噪声点”，并进行下一次循环。如果eps内样本点数大于min_sample则这个点被标记为“核心点”，并被打上一个簇标签j；    step2：以该“核心点”为中心，访问邻域内的所有点，入过这些邻域内的点还没有被打标签，则被标记为为簇类j，如果已被打过标签则访问下一个点。如果被访问到的是“核心点”，那么就以它为中心再循环访问它的邻居。直到该簇的eps内没有更多的核心样本为止。    step3：跳入下一次循环。

2. dbscan的python scikit-learn 实现及参数介绍

from sklearn.cluster import DBSCAN
import numpy as np
# 设置分类参数
eps = 0.1
min_sample=10<