DBSCAN聚类原理及详解

DBSCAN聚类

(1)DBSCAN简介
DBSCAN是一个比较有代表性的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。

DBSCAN中的几个定义：
Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；
核心对象：如果给定对象Ε邻域内的样本点数大于等于min_samples，则称该对象为核心对象；
直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达。
密度可达：对于样本集合D，给定一串样本点p1,p2….pn，p= p1,q= pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达。
密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联。
DBSCAN中两个重要参数eps ,min_samples
(1)eps：越大类别数越少——参数越大的话，多个簇和大部分对象会归并到同一个簇中
(2)需要对eps和min_samples手动设置，eps默认值是0.5,表示的是半径
如果 附近点的数量 ≥min_samples，则当前点与其附近点形成一个簇，并且出发点被标记为已访问(visited),如果 附近点的数量 <min_samples，则该点暂时被标记作为噪声点。
(3)扫描半径 (eps)和最小包含点数(min_samples), 给定点在邻域内成为核心对象的最小邻域点数：min_samples
(4)min_samples的选取有一个指导性的原则（a rule of thumb），min_samples ≥dim+1,其中dim表示待聚类数据的维度。min_samples设置为1是不合理的，因为设置为1，则每个独立点都是一个簇，min_samples≤2时，与层次距离最近邻域结果相同，因此，min_samples必须选择大于等于3的值。若该值选取过小，则稀疏簇中结果由于密度小于min_samples,从而被认为是边界点儿不被用于在类的进一步扩展；若该值过大，则密度较大的两个邻近簇可能被合并为同一簇。因此，该值是否设置适当会对聚类结果造成较大影响，如果min_samples不变，Eps取得值过大，会导致大多数点都聚到同一个簇中，Eps过小，会导致一个簇的分裂；如果Eps不变，min_samples的值取得过大，会导致同一个簇中点被标记为离群点，min_samples过小，会导致发现大量的核心点。
(2)实现步骤
导入使用的模块和库

将样本点设为1000个, 参数设置为noise=0.1，用datasets.make_blobs函数生成