python 密度聚类_（数据科学学习手札15）DBSCAN密度聚类法原理简介&Python与R的实现...

DBSCAN算法是一种很典型的密度聚类法，它与K-means等只能对凸样本集进行聚类的算法不同，它也可以处理非凸集。

关于DBSCAN算法的原理，笔者觉得下面这篇写的甚是清楚练达，推荐大家阅读：

https://www.cnblogs.com/pinard/p/6208966.html

DBSCAN的主要优点有：

1) 可以对任意形状的稠密数据集进行聚类，相对的，K-Means之类的聚类算法一般只适用于凸数据集。

2) 可以在聚类的同时发现异常点，对数据集中的异常点不敏感。

3) 聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有很大影响。

DBSCAN的主要缺点有：

1)如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差，这时用DBSCAN聚类一般不适合。

2) 如果样本集较大时，聚类收敛时间较长，此时可以对搜索最近邻时建立的KD树或者球树进行规模限制来改进。

3) 调参相对于传统的K-Means之类的聚类算法稍复杂，主要需要对距离阈值ϵ，邻域样本数阈值MinPts联合调参，不同的参数组合对最后的聚类效果有较大影响。

R中的fpc包中封装了dbscan(data,eps,MinPts),其中data为待聚类的数据集，eps为距离阈值ϵ，MinPts为样本数阈值，这三个是必须设置的参数，无缺省项。

一、三种聚类算法在非凸样本集上的性能表现

下面我们以正弦函数为材料构造非凸样本集，分别使用DBSCAN、K-means、K-medoids算法进行聚类，并绘制最终的聚类效果图：

library(fpc)

library(cluster)#构造非凸样本集

x1

y1

y2

points(x1,y2)

c1

c2

data1

构造的样本集如下：

接着我们依次使用上述三种聚类算法：

#分别绘制三种聚类算法的聚类效果图

par(mfrow&