密度聚类之DBSCAN聚类算法

DBSCAN聚类算法

1、算法原理

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一个有代表性的基于密度的空间聚类算法。它将类定义为密度相连的点的最大集合，通过在样本空间中不断寻找最大集合从而完成聚类。该算法在带噪声的样本空间中发现任意形状的聚类并排除噪声。

2、DBSCAN算法涉及的基本定义：

$ϵ$邻域：对于$p_i$$\in$D，其$ϵ$邻域包含对象集合D中与 $p_i$的距离不大于 $ϵ$的子对象集，即$N_{ϵ}$($p_i$)={ $x_j$$\in$D|distance($x_i$,$x_j$)$\le$$ϵ$}，这个子对象集的个数记为 |$N_{ϵ}$($p_i$)|

核心点(Core point)：如果给定对象的$ϵ$邻域内的样本点数大于设定的MinPts，则称该对象为核心点（核心对象）。

边界点(Border point)：若样本 $p_i$的邻域内包含的样本数目小于MinPts，但是它在其它核心点的邻域内，则称样本点$p_i$为边界点。

噪声点(Noise point)：既不是核心点也不是噪声点的点

直接密度可达：给定对象集合D，如果对象p在对象q的