密度聚类(DBSCAN)

class sklearn.cluster.DBSCAN(eps=0.5, min_samples=5, metric=’euclidean’, metric_params=None, algorithm=’auto’, leaf_size=30, p=None, n_jobs=None)

参数：

eps ： float，可选 两个样本之间的最大距离，一个被认为是另一个样本的邻域。这不是群集中点的距离的最大界限。这是为您的数据集和距离函数选择适当的最重要的DBSCAN参数。 min_samples ： int，可选 对于要被视为核心点的点，邻域中的样本数（或总权重）。这包括点本身。 metric ： string或callable 计算要素数组中实例之间距离时使用的度量标准。如果metric是字符串或可调用的，则它必须是sklearn.metrics.pairwise_distances其metric metric参数允许的选项之一。如果度量是“预先计算的”，则假定X是距离矩阵，并且必须是正方形。X可以是稀疏矩阵，在这种情况下，只有“非零”元素可以被认为是DBSCAN的邻居。 版本0.17中的新功能：度量预先计算以接受预先计算的稀疏矩阵。 metric_params ： dict，可选 度量函数的其他关键字参数。 版本0.19中的新功能。 algorithm ： {'auto'，'ball_tree'，'kd_tree'，'brute'}，可选 NearestNeighbors模块用于计算逐点距离并找到最近邻居的算法。有关详细信息，请参阅NearestNeighbors模块文档。 leaf_size ： int，optional（默认值= 30） 叶子大小传递给BallTree或cKDTree。这可能会影响构造和查询的速度，以及存储树所需的内存。最佳值取决于问题的性质。 p ： float，可选 用于计算点之间距离的Minkowski度量的功效。 n_jobs ： int或None，可选（默认=无） 要运行的并行作业数。 None除非在joblib.parallel_backend上下文中，否则表示1 。 -1表示使用所有处理器。有关 详细信息，请参阅词汇表。