密度聚类算法DBSCAN

DBSCAN算法将簇定义为样本点“密集”的区域，从某个种子样本开始，持续向密集的区域生长，直至到达区域边界为止。因此DBSCAN算法可以有效地处理噪声数据，发现任意形状的簇。

1.核心思想和基本流程

DBSCAN算法是基于一组邻域参数（Eps,M）来刻画样本分布的紧密程度，其中Eps是邻域半径，M是定义邻域内核心点数量的阈值。
#1）检查样本数据集中每个点的 Eps-邻域，若样本点的Eps邻域包含的点数多于M个，则创建一个以为核心点的簇

#2）聚集从这些核心对象直接密度可达的样本点，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，算法结束

2.实例分析

假设聚类的数据由两个不同的均值的高斯分布产生

其中第一类样本点250个，第二类样本点150个

M-邻域内包含的样本数为6，用DBSCAN算法进行聚类，得到结果如下：

其中，红色点和蓝色点分别代表两个类，黑色圆圈表示噪声点。