小嘿嘿之常见聚类算法之DBSCAN/k-means/BIRCH

DBSCAN(基于密度)

$2个算法参数：邻域半径R和最少点数目minpoints。$
这两个算法参数实际可以刻画什么叫密集——当邻域半径R内的点的个数大于最少点数目minpoints时，就是密集。

$3种点的类别：核心点，边界点和噪声点。$
邻域半径R内样本点的数量大于等于minpoints的点叫做核心点。不属于核心点但在某个核心点的邻域内的点叫做边界点。既不是核心点也不是边界点的是噪声点。

$4种点的关系：密度直达，密度可达，密度相连，非密度相连。$

DBSCAN算法步骤：

1：寻找核心点形成临时聚类簇。
扫描全部样本点，如果某个样本点R半径范围内点数目>=MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇。
2：合并临时聚类簇得到聚类簇。
对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇。
3：重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇。
4：继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理。

DBSCAN算法需考虑的三个问题

$第一个$是一些异常样本点或者说少量游离于簇外的样本点，这些点不在任何一个核心对象在周围，在DBSCAN中，我们一般将这些样本点标记为噪音点。
第