DBSCAN
密度聚类DBCSCAN
*
–
+
* DBSCAN
* DBSCAN算法具有以下特点：
* DBSCAN的基本概念可以用以下4点总结
*
– 1个核心思想：基于密度
– 2个算法参数
– 3种点的类别
– 4种点的关系
* DBSCAN算法步骤
密度聚类：用于检测任务，找异常点，离群点，效果明显。
针对环形数据，曲线数据
大圆：核心对象，不需要指定簇，周围核心半径有大于min_sample点
小圆：非核心对象，周围少于min_sample点
黑色点：离群点和任何核心对象的距离大于阈值
DBSCAN算法具有以下特点：
- 基于密度，对远离密度核心的噪声点鲁棒
- 无需知道聚类簇的数量
- 可以发现任意形状的聚类簇
- DBSCAN通常适合于对较低维度数据进行聚类分析
DBSCAN的基本概念可以用以下4点总结
1个核心思想：基于密度
直观效果上看，DBSCAN算法可以找到样本点的全部密集区域，并把这些区域当作一个个的聚类簇
; 2个算法参数
邻域半径R和最少点数目 MinPoints.
这两个算法参数可以刻画什么叫密集：
领域半径R内的点的个数 > 最少点数目MinPoints 时 就是密集
3种点的类别
1.核心点 边界点 噪声点
- 核心点：邻域半径R内样本点的数量大于等于minpoints的点
- 边界点：不属于核心点但在某个核心点的领域内的点
- 噪声点：既不是核心点，也不是边界点的
; 4种点的关系
密度直达 、密度可达 、 密度相连 、非密度相连
- 密度直达： 1.如果P为核心点，Q在P的R领域内，那么成P到Q 密度直达
2.任何核心点到自身密度直达
3.密度直达不具备对称性
4.P->Q 密度直达，Q->P不一定 - 密度可达：
1.核心点P1，P2,…Pn。依次相邻的连续密度直达
2.P1->P2…Pn-1->Pn 且 Pn到Q密度可达。则P1->Q密度可达。
3.密度可达不具备对称性 - 密度相连：
1.核心点S,S->P和Q 都密度可达，则PQ相连
2.密度相连具有对称性 PQ相连 则 QP相连
3.密度相连的两个点，属于同一聚类簇 - 非密度相连
1.两个点不属于密度相连关系，则两个连非密度相连
2.则该两点属于不同的聚类簇，或者其中存在噪声
DBSCAN算法步骤
- 寻找核心点形成临时的聚类簇 1.扫描全部样本，满足某个样本点R半径范围内的点数 >= MinPoints, 将其纳入核心点列表 2.并将其密度直达的点形成对应的临时聚类簇
- 合并临时聚类簇得到聚类簇 1.对于每个临时聚类簇，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。 2，重复此操作，知道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，都已经在该类聚类簇，该临时聚类簇升级为聚类簇. 3.继续操作其余的临时聚类簇，知道全部被处理。
临时生成聚类及工业级DBSCAN代码
Original: https://blog.csdn.net/Elvis__c/article/details/123506477
Author: Elvis_hui
Title: 机器学习-DBSCAN密度聚类
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/550174/
转载文章受原作者版权保护。转载请注明原作者出处！