dbscan算法中 参数的意义_DBSCAN算法及sklearn实现

基本概念：(Density-Based Spatial Clustering of Application with Noiso)

1.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领域内的点数量不小于minPts)

2.ε-领域的距离阈值：

设定的半径r

3.直接密度可达：

若某点p在点q的r领域内，且q是核心点则p-q直接密度可达

4.密度可达：

若有一个点的序列q0、q1、 ...qk,对任意qi-qi-q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"。

5.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

6.边界点：

属于某一类的非核心点,不能发展下线了

7.直接密度可达：

若某点p在点q的r领域内，且q是核心点则p-q直接密度可达

8.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

9.可视化展示：

A：核心对象

B,C：边界点

N：离群点

工作流程：

参数D：

输入数据集

参数ε：

指定半径

MinPts：

密度阈值

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-距离中的k值，一般取得小一些，多次尝试，这儿有个聚类可视化好玩的网址点击这里，可以感受下，挺好玩的。

优势：

不需要指定簇个数

可以发现任意形状的簇

擅长找到离群点(检测任务)

劣势：

高维数据有些困难(可以做降维)

参数难以选择(参数对结果影响非常大)

Sklearn中效率很慢(数据消减策略)

kmeans-dbcan聚类对比

#beer dataset

importpandas as pd

beer= pd.read_csv('