DBSCAN - 基于密度的聚类算法

1. 是什么
DBSCAN(Density-Based Spatial Clustering of Application with Noise)，是一个典型的基于密度的聚类算法。目标是寻找被低密度区域分离的高密度区域，通俗点说就是把扎堆的点（高密度）找出来，而点很少很稀疏的地方（低密度）就作为分割区域。


2. 关键概念
1.与基于距离的聚类算法不同的是，基于距离的聚类算法的聚类结果是球状的簇，而基于密度的聚类算法可以发现任意形状的聚类，这对于带有噪音点的数据起着重要的作用。
2.所有的数据被分为三类点：
核心点。在半径eps内含有超过min_samples数目的点。
边界点。在半径eps内点的数量小于min_samples，但是落在核心点的邻域内，也就是说该点不是核心点，但是与其他核心点的距离小于eps。
噪音点。既不是核心点也不是边界点的点，该类点的周围数据点非常少。


3. 怎么用

sci-kit learn提供了相应的类和API，非常方便简单。

http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html

最简单的应用就是一句话：

from sklearn.cluster import DBSCAN

clf = DBSCAN(eps=0.3, min_samples=10).fit(X)

其中clf就是最终的分类器，而X是输入数据。


输入参数展开说：
class sklearn.cluster.DBSCAN(eps=0.5, min_samples=5, metric='euclidean', algorithm='auto', leaf_size=30, p=None, random_state=None)
eps：点之间的间距，大于这个间距的就不算一个簇了。
min_samples：可以算作核心点的高密度区域的最少点个数。
metric：距离公式，可以用默认的欧式距离，还可以自己定义距离函数。
algorithm：发现近邻的方法，是暴力brute，二维空间的距离树kd_tree还是球状树形结构ball_tree。这个参数主要是为了降低计算复杂度的，可以从O(N^2)降到O(n*log(n))。换句话说，无论哪种算法都会达到最后的结果，影响的只是性能。
leaf_size：配合两种_tree算法的。
random_state：不用。

结果展开说：

labels_：所有点的分类结果。无论核心点还是边界点，只要是同一个簇的都被赋予同样的label，噪声点为-1.
core_sample_indices_：核心点的索引，因为labels_不能区分核心点还是边界点，所以需要用这个索引确定核心点。

4. 应用场景和限制
是非监督的聚类算法。
对噪声点的容忍性非常好；而去簇的形状随意，不受线性方程的限制。


5. 参考
http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html#sklearn.cluster.DBSCAN.fit
http://blog.csdn.net/google19890102/article/details/37656733