一.基本概念
dbscan算法
- 核心对象(A):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)
- 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是直接密度可达(核心对象,在邻域内)
- 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,则称从q0到qk密度可达,这实际是直接密度可达的传播(直接密度可达传播)
- 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
- 边界点(B、C):属于某一个类的非核心点,不能发展下线了
- 噪声点(N):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
二.基本过程
算法流程:(数据集、半径、密度阈值)
- 标记所有对象都为没有访问过
- 随机选择一个没有访问过的对象p,标记p为已访问过
- 如果p的邻域至少有minpts个对象
- 创建一个新簇c,并把p添加到c中
- 令N为p的领域中的对象集合
- 对于N中每一个点:如果p是没有访问过,标记p为已访问过。且如果p的邻域至少有minpts个对象,把这些对象添加到N;如果p还不是任何簇的成员,把p添加到c
- 否则标记p为噪音
- 直到没有标记为没有访问过的对象
参数选择:
- 半径:可以根据k距离来设定:找突变点K距离
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
三.优缺点
优势
- 不需要指定簇的个数
- 可以发现任意形状的簇
- 擅长找到离群点
- 只需两个参数
劣势
- 高维数据有些困难(可以做降维)
- 参数难以选择,但对结果的影响非常大
- sklearn中效率很慢(数据削减策略)