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('