目录
(Density-Based Spatial Clustering of Applications with Noise)
一、DBSCAN聚类算法
(Density-Based Spatial Clustering of Applications with Noise)
- 核心对象：若某个点的密度达到算法设定的阈值则其为核心点。 (即 r 邻域内点的数量不小于 minPts)
- ε-邻域的距离阈值：设定的半径r
- 直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。
- 密度可达：若有一个点的序列q0、q1、…qk，对任意qi-qi-1是直接密度可达的 ，则称从q0到qk密度可达，这实际上是直接密度可达的”传播”
- 密度相连：若从某核心点p出发，点q和点k都是密度可达的 ,则称点q和点k是密度相连的。
- 边界点：属于某一个类的非核心点,不能发展下线了
- 噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的
A:核心对象 ；B,C:边界点 ；N:离群点
DBSACN算法可以用于异常检测。
二、DBSCAN工作流程
工作流程
- 参数D：输入数据集
- 参数ε：指定半径
- MinPts：密度阈值
参数选择
- 半径ε：可以根据K距离来设定:找突变点。
- K距离：给定数据集P={p(i); i=0,1,…n}，计算点P(i)到集合D的子集S中所有点 之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。
- MinPts： k-距离中k的值，一般取的小一些，多次尝试。
优缺点
优点
- 不需要指定簇个数
- 可以发现任意形状的簇
- 擅长找到离群点(检测任务)
- 两个参数就够了
缺点
高维数据有些困难(可以做降维)
参数难以选择(参数对结果的影响非常大) Sklearn中效率很慢(数据削减策略)
三、DBSCAN可视化展示
可视化展示
Visualizing K-Means Clustering
对初始值影响大
Original: https://blog.csdn.net/qq_40890544/article/details/123723844
Author: 小丑呀~
Title: 唐宇迪学习笔记20：聚类算法——DBSCAN
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/550014/
转载文章受原作者版权保护。转载请注明原作者出处！