密度聚类 dbscan

 

层次聚类方法

n凝聚的层次聚类：自底向上，首先将每个对象作为一个簇，然后      合并这些原子簇为越来越大的簇，直到某个终结条件被满足。   n分裂的层次聚类：自顶向下，它首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到达到了某个终结条件。   n层次凝聚的代表是AGNES算法。层次分裂的代表是DIANA算法。

优缺点：

n层次聚类方法是不可逆的，也就是说，当通过凝聚式的方法将两组合并后，无法通过分裂式的办法再将其分离到之前的状态，反之亦然。   n另外，层次聚类过程中调查者必须决定聚类在什么时候停止，以得到某个数量的分类。   在不必要的情况下应该小心使用层次聚类方法

 

 

基于密度的聚类方法

n划分和层次方法旨在发现球状簇。他们很难发现任意形状的簇。 n改进思想：将簇看作数据空间中由低密度区域分隔开的高密度对象区域。   n过滤噪声孤立点数据，发现任意形状的簇。 ¨DBSCAN：基于高密度连通区域聚类 ¨OPTICS：通过点排序识别聚类结构 ¨DENCLUE:基于密度分布函数的聚类

特点： •抗噪声 • 能处理任意形状聚类

n时间复杂度 ¨DBSCAN算法要对每个数据对象进行邻域检查时间性能较低。 ¨DBSCAN的基本时间复杂度是 O(n*找出ε-邻域中的点所需要的时间)。最坏情况下时间复杂度是O(n2) ¨在低维空间数据中,有一些数据结构如K-D树，使得可以有效的检索特定点给定距离内的所有点，时间复杂度可以降低到O(nlogn)

n空间复杂度        在聚类过程中，DBSCAN一旦找到一个核心对象，即以该核心对象为中心向外扩展．此过程中核心对象将不断增多，未处理的对象被保留在内存中．若数据库中存在庞大的聚类，将需要很大的存来存储核心对象信息，其需求难以预料．      当数据量增大时，要求较大的内存支持 I/0 消耗也很大;   低维或高维数据中，其空间都是O(n)