首页 / 算法 / DBSCAN聚类算法
DBSCAN聚类算法
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了DBSCAN聚类算法,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1599字,纯文字阅读大概需要3分钟。
内容图文
![DBSCAN聚类算法](/upload/InfoBanner/zyjiaocheng/501/365470403fcb458888982f80e7bdde08.jpg)
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)
?-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?:指定半径
MinPts:密度阈值
参数选择:
半径?,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/
DBSCAN聚类算法
标签:展示 src 突变 info 设定 blog dbscan base 数据
本文系统来源:https://www.cnblogs.com/Mjerry/p/9772629.html
内容总结
以上是互联网集市为您收集整理的DBSCAN聚类算法全部内容,希望文章能够帮你解决DBSCAN聚类算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。