机器学习实战——密度聚类算法

1 密度聚类

密度聚类假设聚类结构能够通过样本分布的密集程度确定，通常情形下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。
DBSCAN 是一种很典型的密度聚类算法，给定领域参数的半径为 e ，最小样本点为 MinPts 。该算法中几个较重要的概念如下：

• e 邻域：给定对象半径为 e 内的区域称为该对象的 e 邻域；
• 核心对象：如果给定对象 e 邻域内的样本点数大于等于 MinPts，则称该对象为核心对象；
• 边界对象：在半径 e 内点的数量小于 MinPts，但是落在核心点的邻域内。
• 噪声对象：既不是核心对象也不是边界对象的样本。
• 直接密度可达：对于样本集合 D，如果样本点 q 在点 p 的 e 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 $p_1,p_2\dots .p_n，p=p_1,q=$