DBSCAN聚类算法

Posted 医疗兵皮特儿

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DBSCAN聚类算法相关的知识,希望对你有一定的参考价值。

基本概念:(Density-Based Spatial Clustering of Applications with Noise)基于密度的噪声应用空间聚类

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minPoints)

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

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。

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

用人话说:每个点都可以画一个圈,在圈内点的叫直接密度可达,能间接被圈上的叫做密度可达,隔了好几层被间接圈上的叫做密度相连,被圈之后,圈不到其他新的点的叫做边界点,谁也圈不到的叫做离群点噪音点)。

一张图

 

 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:密度值也就是点的数量。

 

 

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)
Sklearn中效率很慢(数据削减策略)
参数难以选择(参数对结果的影响非常大)

 

可视化展示网站: 

https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/

以上是关于DBSCAN聚类算法的主要内容,如果未能解决你的问题,请参考以下文章

聚类算法-密度聚类算法DBSCAN

DBSCAN密度聚类算法(理论+图解+python代码)

DBSCAN密度聚类算法

DBSCAN密度聚类算法

DBSCAN聚类算法原理总结

K-means与DBSCAN聚类算法