机器学习--聚类系列--DBSCAN算法

Posted 理想几岁

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习--聚类系列--DBSCAN算法相关的知识,希望对你有一定的参考价值。

DBSCAN算法

  基本概念:(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”。就像传销一样,发展下线。

    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,也叫离群点

  

 

  工作流程

  给定:

  参数D:输入数据集
  参数ε:指定半径
  MinPts:密度阈值(比如5)

    

  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

  优势:

  • 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

  劣势:

  • 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)

      

      

 

以上是关于机器学习--聚类系列--DBSCAN算法的主要内容,如果未能解决你的问题,请参考以下文章

线(旅行路径)聚类机器学习算法

机器学习 sklearn 无监督学习 聚类算法 DBSCAN

机器学习 sklearn 无监督学习 聚类算法 DBSCAN

简单易学的机器学习算法——基于密度的聚类算法DBSCAN

机器学习DBSCAN Algorithms基于密度的聚类算法

Python机器学习——DBSCAN聚类