DBSCAN—简单实现

DBSCAN基本概念：

• 邻域的距离阈值：设定的半径r 核心对象：若某个点的密度达到算法设定的阈值，则为核心点
• 直接密度可达：若点p在q的r领域内并且q是核心点，则p-q直接密度可达
• 密度可达：直接密度可达的传递
• 密度相连：若从某核心点p出发，点q和点k都是密度可达，则q和k是密度相连的
• 边界点：属于一个类的非核心点，不能发展下线了
• 噪声点：不属于任何一个簇的点
  
  算法思想：
• 指定合适的阈值和Minpoints 若点p未被标记，且p的邻域内有超过Minpoints个点，则创建一个以p为核心点的新簇
• 根据已有核心点，寻找密度可达的点，加入相应簇，对于核心点发生密度相连情况的簇，则合并起来（凡是遍历过的点都标记）
• 当没有新的点可以被添加到任何簇是，算法结束
  

优势：

• 不需要指定簇的个数，可以发现任意形状的簇
• 擅长找到离群点（检测任务）
  劣势：
• 高维数据处理困难（可做降维）
• 参数选择困难（不同的参数对结果影响很大）
• sklearn效率慢

演示代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import DBSCAN
# 导入数据
x1, y1 = datasets.make_circles(n_samples=2000,factor=0.5,noise=0.05)
x2, y2 = datasets.make_blobs(n_samples=1000, centers=[[1.2,1.2]], cluster_std=[[.1]])
x = np.concatenate((x1,x2))
# 建模
y_pred = DBSCAN(eps=0.2, min_samples=50).fit_predict(x)	# # 领域距离阈值为2，最小点数为50
plt.scatter(x[:,0],x[:,1],c=y_pred)
plt.show()

分类结果：
纯小白，望大佬指点
分类算法可视化/