侯雄文
摘 要 传统的DBSCAN密度聚类算法,需要人为设置邻域阈值(Eps)和点数阈值(minPts)2个参数来对数据集进行聚类,由于minPts和Eps具有全局性,使得DBSCAN算法对参数很敏感, 特别是分布不均匀的数据集。针对DBSCAN算法中这一问题,本文研究改进的算法通过对数据点的k最近点平均距离进行分析,根据其统计特性动态地确定minPts和多个Eps值,然后根据所求得的多组(minPts, Eps)值依次对数据集进行聚类,从而达到自适应设置参数的目的。
关键词 聚类算法 自适应 参数
中图分类号:TP31 文献标识码:A
聚类算法是数据挖掘、模式识别等研究中的一项重要技术。聚类的目的是把数据集分成若干类或簇,使得同一个类中的元素相似性较大,不同类中的元素相似性较小。其中,有多种方法来确定DBSCAN的两个阈值参数Eps和minPts。对于minPts的确定,在数据点不多的情况下,minPts在二维空间中的聚类中一般取4. 另外取数据集合的1/25作为minPts的值也是一种比较有效的方法。
本文针对密度分布不均匀的数据集的minPts和Eps的取值问题,提出了一种新的改进的基于k最近点平均距离的(DBSCAN based on K Nearest Average Distance, KNA-DBSCAN)聚类算法,该算法通过对数据点的k最近点平均距离的统计特性进行分析,自动的确定minPts和多个Eps参数,使其可以对密度分布不均匀的数据集进行聚类。
1 DBSCAN算法
DBSCAN算法是基于中心的密度聚类算法,相关概念如下:
定义1 数据点的Eps邻域:数据集D中任意数据点P,P的邻域Eps(