python聚类算法中x是多维、y是一维怎么画图_第55课_v1：密度聚类算法原理和过程图形详解和不调包实现多维数据聚类案例...

DBSCAN 是一种非常著名的基于密度的聚类算法。其英文全称是 Density-Based Spatial Clustering of Applications with Noise，意即：一种基于密度，对噪声鲁棒的空间聚类算法。直观效果上看，DBSCAN 算法可以找到样本点的全部密集区域，并把这些密集区域当做一个一个的聚类簇。

DBSCAN 算法具有以下特点：基于密度，对远离密度核心的噪声点鲁棒

无需知道聚类簇的数量

可以发现任意形状的聚类簇

DBSCAN 通常适合于对较低维度数据进行聚类分析。

基本概念

DBSCAN 的基本概念可以用 1、2、3、4 来总结。

1 个核心思想

这个核心思想是基于密度。直观效果上看，DBSCAN 算法可以找到样本点的全部密集区域，并把这些密集区域当做一个一个的聚类簇。

2 个算法参数

2 个算法参数：邻域半径 R 和最少点数目 MinPoints。

这 2 个算法参数实际可以刻画什么叫密集：当邻域半径 R 内点的个数大于最少点数目 R 时，就是密集。

3 种点的类别

3 种点的类别：核心点、边界点和噪声点。邻域半径 R 内样本点的数量大于等于 MinPoints 的点叫做核心点，不属于核心点但在某个核心点的邻域内的点叫做边界点，既不是核心点也不是边界点的是噪声点。

4 种点的关系

4 种点的关系：密度直达，密度可达，密度相连，非密度相连。

如果 P 为核心点，Q 在 P 的 R 邻域内，那么称 P 到 Q 密度直达。任何核心点到其自身密度直达，密度直达不具有对称性，如果 P 到 Q 密度可达，那么 Q 到 P 不一定密度可达。

如果存在核心点 P2，P3……Pn，且 P1 到 P2 密度直达，P2 到 P3 密度直达……P(n-1) 到 Pn 密度直达，Pn 到 Q 密度直达，则 P1 到 Q 密度可达。密度可达也不具有对称性。

如果存在核心点 S，使得 S 到 P 和 Q 都密度可达，则 P 和 Q 密度相连。密度相连具有对称性，如果 P 和 Q 密度相连，那么 Q 和 P 也一定密度相连。密度相连的两个点属于同一个聚类簇。

如果两个点不属于密度相连关系，则两个点非密度相连。非密度相连的两个点属于不同的聚类簇，或者其中存在噪声点。

算法步骤

DBSCAN 的算法步骤分成两步。

寻找核心点形成临时聚类簇

Step1：寻找核心点形成临时聚类簇。扫描全部样本点，如果某个样本点 R 半径范围内点数目大于等于 MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇。

合并临时聚类簇得到聚类簇

对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇。

重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表࿰