使用DBScan + Kmeans计算区域集聚和中心点

DBSCAN，英文全写为Density-based spatial clustering of applications with noise ，是在 1996 年由Martin Ester, Hans-Peter Kriegel, Jörg Sander 及 Xiaowei Xu 提出的聚类分析算法， 这个算法是以密度为本的：给定某空间里的一个点集合，这算法能把附近的点分成一组（有很多相邻点的点），并标记出位于低密度区域的局外点（最接近它的点也十分远）.

k-平均算法（英文：k-means clustering）源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把{\displaystyle n}个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。

使用DBScan进行聚类计算

使用K-means进行聚类计算

案例分析

dbscan会剔除噪点，k-means会把任何点都归到了某一个类。

k-means 的中心点不是聚集区域的中心点，而是整个聚类的中心点；DBSCAN 无法找出中心点。

相比 k-means ，DBSCAN 不需要预先声明聚类数量。

DBSCAN 可以找出任何形状的聚类，甚至能找出一个聚类，k-means需要指定集类的个数。

 

要想找出聚集区域并给出准确的中心点，可以使用DBScan分析聚类个数和聚类包含的点，再通过k-means将每个聚类所包含的点计算出中心点。

 

蓝色为聚类1，黑色为聚类2，灰色为噪点。

具体算法的实现代码网上有很多介绍，可以参考。