机器学习 之k-means和DBSCAN的区别

1、定义和区别（优缺点对比）

• 聚类分为：基于划分、层次、密度、图形和模型五大类；

• 均值聚类k-means是基于划分的聚类， DBSCAN是基于密度的聚类。区别为：

  1. k-means需要指定聚类簇数k，并且且初始聚类中心对聚类影响很大。k-means把任何点都归到了某一个类，对异常点比较敏感。DBSCAN能剔除噪声，需要指定邻域距离阈值eps和样本个数阈值MinPts，可以自动确定簇个数。

  2. K均值和DBSCAN都是将每个对象指派到单个簇的划分聚类算法，但是K均值一般聚类所有对象，而DBSCAN丢弃被它识别为噪声的对象。

  3. K均值很难处理非球形的簇和不同大小的簇。DBSCAN可以处理不同大小或形状的簇，并且不太受噪声和离群点的影响。当簇具有很不相同的密度时，两种算法的性能都很差。

  4. K均值只能用于具有明确定义的质心（比如均值或中位数）的数据。DBSCAN要求密度定义（基于传统的欧几里得密度概念）对于数据是有意义的。

  5. K均值算法的时间复杂度是O(m)，而DBSCAN的时间复杂度是O(m^2)。

  6. DBSCAN多次运行产生相同的结果，而