DBSCAN是一种无监督机器学习聚类算法，能够发现任意形状的簇，尤其擅长寻找离群点。算法核心在于核心对象、密度可达和密度相连的概念，依赖两个参数：半径ϵ和最小点数MinPts。虽然参数选择较为关键，但相比k-means，DBSCAN不需要预先指定簇的数量。然而，高维数据处理和参数选择是其挑战。在实际应用中，可以通过K距离来辅助设定半径ϵ。
聚类本质上是一个无监督问题即我们手里没有标签了，还有将数据进行分类。
聚类：相似的东西分到一组
难点：如何评估，如何调参 。
下图是将一个无标签的数据集分成三类。
要得到簇的个数，需要指定K值 ，当然它需要先获得质心。质心就是所谓均值，即向量各维取平均即可
距离的度量：常用欧几里得距离和余弦相似度(先标准化)
k-means算法得优势是简单，快速，适合常规数据集
但其劣势是：
K值难确定 ，因为一上来你不知道要将数据分成几类。
复杂度与样本呈线性关系
很难发现任意形状的簇
核心对象：若某个点的密度达到算法设定的阈值则其为核心点。
(即 r 邻域内点的数量不小于 minPts)
ϵ-邻域的距离阈值：设定的半径r
下面来说几个DBSCAN算法中的几个概念。
直接密度可达：若某点p在点q的 r 邻域内，且q是核心点，则p-q直接密度可达。
密度可达：若有一个点的序列q0、 q1、 …qk，对任意qi-qi-1是直接密度可达的， 则称从q0到qk密度可达，这实际上是直接密度可达的“传播”。
密度相连：若从某核心点p出发，点q和点k都是密度可达的,则称点q和点k是密度相连的。
边界点:属于某一个类的非核心点,不能发展下线了 ，类似于传销的性质。
噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的
半径ϵ，可以根据K距离来设定：找突变点
K距离：给定数据集P={p(i); i=0,1,…n}，计算点P(i)到集合D的子集S中所有点
之间的距离， 距离按照从小到大的顺序排序， d(k)就被称为k-距离。
MinPts：k-距离中k的值，一般取的小一些，多次尝试
优势：
可以发现任意形状的簇
擅长找到离群点(检测任务)
两个参数就够了
劣势：
高维数据有些困难(可以做降维)
参数难以选择(参数对结果的影响非常大)
Sklearn中效率很慢(数据削减策略)
下面是几个通过DBSCAN算法进行聚类的结果。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
