为什么还需要DBSCAN聚类算法？

基于密度的聚类算法

基于密度的聚类是无监督学习法，基于数据空间中的聚类是高点密度的连续区域，通过低点密度的连续区域与其他此类聚类分离，来识别数据中独特的组/聚类。

具有噪声的基于密度的聚类方法(DBSCAN)是基于密度聚类的一种基本算法。它可以从大量的数据中发现不同形状和大小的聚类，这些聚类中正包含着噪声和异常值。

DBSCAN算法使用以下两种参数：

• eps (ε)：一种距离度量，用于定位任何点的邻域内的点。
• minPts：聚类在一起的点的最小数目(一个阈值)，使一个区域界定为密集。

如果探究两个称为密度可达性(DensityReachability)和密度连接性(DensityConnectivity)的概念，就可以理解这些参数。

密度方面的可达性(Reachability)建立了一个可以到达另一个点的点，如果该点位于与另一个点的特定距离(eps)内。

连接性(Connectivity)涉及到基于传递性的链接方法，以确定点是否位于特定的聚类中。例如，如果p->r->s->t->q，则p和q可以连接，其中a->b表示b在a的邻域内。

DBSCAN聚类完成后会产生三种类型的点：

（编辑：济源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!