DBSCAN聚类算法

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种用于数据聚类的算法。它与传统的基于距离的算法（如K均值）不同，它根据数据点的密度进行聚类。

这个算法的核心思想是通过定义每个数据点的邻域，基于密度来识别聚类簇。具体来说，DBSCAN使用两个参数：eps（ε）和minPts。

• ε（eps）是一个指定的半径范围，用来定义一个数据点的邻域。对于每个数据点，算法将其周围距离在ε范围内的其他点视为其邻居。
• minPts 是指在ε邻域内所需的最小数据点数量。如果一个数据点的ε邻域内包含至少minPts个点（包括该点自身），则该点被视为核心点。

DBSCAN的运行过程包括以下步骤：

1. 选择起始点：随机选择一个未被访问的数据点。
2. 确定核心点：计算该点的ε邻域内的点数，如果大于等于minPts，则将该点标记为核心点。
3. 扩展聚类：从核心点出发，通过在ε邻域内寻找其他核心点，递归地将其加入到同一个簇中。
4. 处理边界点：将在核心点的ε邻域内但不是核心点的点，标记为边界点，并将其归类到与某个核心点所属的簇中。
5. 标记噪声点：剩下的未被访问的点被标记为噪声点，即不属于任何簇的点。

这个算法的优势在于它能够发现任意形状的聚类簇，对噪声点具有鲁棒性，并且不需要预先指定聚类个数。但是，对于具有不同密度区域的数据集，需要适当调整ε和minPts参数以获得最佳聚类效果。

基于密度的聚类 DBSCAN 解释与实例计算