dbscan算法_数据挖掘入门笔记——DBSCAN聚类（随方逐圆）

写在前面：健忘星人自学笔记，仅供参考。

通俗易懂的参考资料

5.无监督学习-DBSCAN聚类算法及应用 - python-data-machine - 博客园​www.cnblogs.com

正文：

在上一章我们简单介绍了一下 K-Means算法，其主要针对类圆形区域数据的聚类，对非凸数据集无计可施。而今天要介绍的 密度聚类 DBSCAN 算法可以弥补这个缺点，它可用于任何形状的聚类，既适用于凸样本集，也适用于非凸样本集。

1、DBSCAN 基础概念

DBSCAN，Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法。全称中透露出两个重要信息，即 DBSCAN 聚类算法是抗噪的，稍后我们会介绍详细的机制。

另外就是，DBSCAN 聚类是密度聚类的代表性算法。

密度聚类的思想，其实和人类的思维十分相似，通过判断“是否紧密相连“来确定样本点是否属于一个簇。

如果一个点周围环绕很多其他点，并且比他密度大的点离他距离还很远，则认为这个点是一个聚类中心。在DBSCAN中，我们将其称之为 “核心对象”。

为了清楚得定义核心对象，我们需要明确两个判断条件：

（1）核心对象“周围”的距离如何度量？

（2）围绕了“很多”点，“很多”该如何界定？

上面两个问题，正好对应了 DBSCAN 算法中两个重要的参数 (ε,MinPts)

邻域ε，指定的每个核心对象搜索的半径值。

MinPts，每个核心对象周围最少应该包含的点的数量。

由此我们引申出核心点的定义：

若以某个点为中心，指定半径ε范围内包含点的个数超过MinPts，则这个点是一个核心点。

举例，

如上所示，指定MinPts=5，考察蓝点q 和绿点p

若假设半径为5，分别以p和q为中心画圆，圈定“周围“的搜索半径

以 q 为中心的圆内有7个点（包含自己），超过MinPts（=5），满足核心点定义

所以 q 是一个核心点；

以 p 为中心的圆内有3个点，少于MinPts 的要求，不满足核心点的定义

但同时 p 还有一个特性，它落在了核心点q 的圆内，

虽然 p 很遗憾没达到核心点的资格，但是 p 是一个“边界点”

下面给出边界点的定义，

若以某个点为中心，指定半径 ε 范围内包含点的个数不足MinPts，但是其落在了某个或者多个核心点的邻域内，则该点是一个“边界点”。

最后，对于既不是核心点，也不是边界点的点，我们也给它一个称呼——“噪音点”

2、DBSCAN 原理

理解了“核心点”“边界点”“噪音点”的基本概念，我们来看DBSCAN是如何工作的。

1.将所有点按照“核心点、边界点或噪声点“分类标记；
2.删除噪声点；
3.如果两个核心点之间的距离小于 ε ，为其赋予一条边，互相连通；检查所有核心点
4.每组连通的核心点形成一个簇；
5.将每个边界点指派到一个与之关联的核心点的簇中（哪一个核心点的半径范围之内）。

上面的步骤看起来是不是很简单呢~

官方给出的步骤专业性更强，比较难以读懂，但是我们还是试着理解一下

密度直达：p点与核心对象q的距离小于 ε，p密度直达q

（如之前的举例）

密度可达： p、q之间距离大于 ε，但是两者ε半径范围内，有共同一点m

（显然 m 密度直达p，且 m密度直达q）

核心点 p,q 通过点 m 连接了起来，因此 p、q 密度可达

密度相连： p、o 密度可达，q，o 密度可达，则 p，q 密度相连

DBSCAN的算法就是，
（1）先找到一个核心对象，从它出发，确定若干个 直接密度可达的对象
（2）再从这若干个对象出发，寻找它们 直接密度可达的点，
（3）直至最后没有可添加的对象了，那么一个簇的更新就完成了。
我们也可以说，簇其实就是所有密度可达的点的集合。

备注：

我们可能会遇到一些特殊的情况，某些样本可能到两个核心对象的距离都小于ε，但是这两个核心对象由于不是密度直达，又不属于同一个聚类簇，那么如果界定这个样本的类别呢？
一般来说，此时DBSCAN采用先来后到，先进行聚类的类别簇会标记这个样本为它的类别。也就是说DBSCAN的算法不是完全稳定的算法。

3、优缺点

优点：

1、不需要指定簇的个数

2、对噪音不敏感，可以在聚类的同时发现异常点

3、初始值对算法无影响

缺点：

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 (ε,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。

今天就到这里，感谢观看~~