K-means聚类与DBSCAN的比较

本文对比了两种常用的聚类算法——K-means和DBSCAN。K-means通过迭代寻找聚类中心,适合有固定形状的簇,但需要预先设定簇的数量。DBSCAN基于密度进行聚类,能自动发现簇的数量,能处理任意形状的簇,但在高维数据上表现不佳。
摘要由CSDN通过智能技术生成

K-means与DBSCAN都是常见的聚类算法,在比较它们之前,我们先看一下两个算法的处理过程。

1 K-means聚类的过程:

1)从n个数据对象中任意选出k个对象作为初始的聚类中心;
2)计算剩余的各个对象到聚类中心的距离,将它划分给最近的簇;
3)重新计算每一簇的平均值(中心对象);
4)循环2-3直到每个聚类不再发生变化为止。

2 DBSCAN算法涉及到几个定义

2.1 定义
核心点:这些点在基于密度的簇内部。点的邻域由距离函数和用户指定的距离参数Eps决定。核心点的定义是,如果该点的给定邻域的点的个数超过给定的阈值MinPts,其中MinPts也是一个用户指定的参数。
边界点:边界点不是核心点,但它落在某个核心点的邻域内。
噪声点:噪声点是既非核心点也非边界点的任何点。

2.2 DBSCAN的过程:
DBScan需要二个参数: 扫描半径 (eps)和最小包含点数(minPts)。

1) 任选一个未被访问(unvisited)的点开始,找出与其距离在eps之内(包括eps)的所有附近点;
2) 如果 附近点的数量 ≥ minPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问(visited)。 然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的点,从而对簇进行扩展;
3) 如果 附

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值