步骤:
1 计算两个参数(每个点的密度,每个点的deltai)
2 画图(决策图)
3 人工筛选聚类中心,然后把剩余点归到离自己最近的中心
(1)密度:两种计算方式:基于截断核的计算+基于高斯核的计算方式
截断核的计算:画个半径数个数
高斯核的计算:高斯模型
两种方式对比:使用截断核计算得到的结果为离散值而使用高斯核计算得到的结果为连续值。因此,相对而言,使用高斯核计算得到的数据点具有相同的局部密度的概率比使用截断核计算得到的数据点具有相同的局部密度的概率要小,比较密度大小关系更方便
(2)deltai(与高密度点的距离):依次扩大半径,只要找到一个比自己密度大的点,计算距离,作为deltai。
最大密度点的deltai:该点与最远一个点的距离
不足:
(1)CBDP 算法只能处理一个类中有且只有一个局部最大密度点的数据集,即类内数据分布不均匀的数据集
(2)CBDP 算法只适合处理不同类的数据密度差距不大的数据集
(3)人为引入了截断距离的参数,人为选择聚类中心
(4)维度的增加使得距离度量过程中误差对结果的影响大大增加