一、DBSCAN算法简介:
DBSCAN(Density-Based SpatialClustering of Application with Noise),是一种基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。其目标是寻找被低密度区域分离的高密度区域,通俗点说就是把扎堆的点(高密度)找出来,而点很少很稀疏的地方(低密度)就作为分割区域。
(1) 基本原理:
① DBSCAN通过检查数据集中每点的Eps邻域来搜索簇,如果点p的Eps邻域包含的点多于MinPts个,则创建一个以p为核心对象的簇;
② 然后,DBSCAN迭代地聚集从这些核心对象直接密度可达的对象,这个过程可能涉及一些密度可达簇的合并;
③ 当没有新的点添加到任何簇时,该过程结束。
优点:
① 与K-means方法相比,DBSCAN不需要事先知道要形成的簇类的数量。
② 与K-means方法相比,DBSCAN可以发现任意形状的簇类。同时,DBSCAN能够识别出噪声点。
③ DBSCAN对于数据库中样本的顺序不敏感,即Pattern的输入顺序对结果的影响不大。
缺点: