sklearn无监督学习-聚类DBSCAN

之前我的文章提到了k-means算法https://blog.csdn.net/qq_41663800/article/details/89879604，这篇文章就是另一个很经典的算法，DBSCAN算法
首先谈一谈两种聚类方法的区别吧，我也是初学者，说的不好还请见谅
1.DBSCAN算法聚类是要把噪声剔除的，而k-means算法只是把噪声数据分到了最近的簇里
2.k-means算法是把数据分成了k个簇，而DBSCAN算法聚类不指定簇的个数，最终的簇的个数是不定的
下面我来介绍一下DBSCAN算法

DBSCAN算法是一种基于密度的聚类算法

• 聚类的时候不需要预先指定簇的个数
• 最终的簇的个数不定

DBSCAN算法将数据点分为三类

• 核心点：在半径Eps内含有超过MinPts数目的点
• 边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内
• 噪声点：既不是核心点也不是边界点

DBSCAN算法流程

1.将所有点标记为核心点。边界点或者噪声点
2.删除噪声点
3.为距离在Eps之内的所有的核心点之间赋予一条边
4.每组立案庭的核心点形成一个簇
5.将每个边界点指派到一个与之关联的核心点的簇中（哪一个核心点的半径之内）

DBACAN主要参数

eps：两个样本被看作邻居节点的最大距离
min_samples:簇的样本数
metric：距离计算方式
例：sklearn.cluster.DBSCAN(eps=0.5,min_samples=5,metric=‘euclidean’)