目录
介绍
DBSCAN模型
开始
聚类算法
参数估计
结论与分析
可访问 实现机器学习的循序渐进指南系列汇总，获取本系列完成文章列表。
介绍基于密度的噪声应用空间聚类（DBSCAN）是一种基于密度的聚类算法。与其他聚类算法不同，DBSCAN将最大密度可到达样本集视为聚类。KMeans缺乏对非球形数据进行聚类的能力，而DBSCAN可以对任何形状的数据进行聚类。
DBSCAN模型 开始- Ε邻域：来自对象的半径为ε的对象。
- 核心要点：如果一个样本在ε-邻居内具有超过指定数量的点（m），则该样本是核心点。
- 直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达。
- 密度可达：如果存在对象链p1，...，pn，对象q可以从p密度到达，其中p1 = p，pn = q使得pi + 1可以直接密度可达pi，对于所有1 0:
Q = core_neighbor[0]
del core_neighbor[0]
if Q in initial_centers.keys():
diff = [sample for sample in initial_centers[Q] if sample in unvisited]
core_neighbor.extend(diff)
unvisited = [sample for sample in unvisited if sample not in diff]
k += 1
label[k] = [val for val in visited if val not in unvisited]
for index in label[k]:
if index in centers.keys():
del centers[index]
参数估计
DBSCAN算法需要2个参数ε，它们指定了彼此之间的接近点应该如何被视为集群的一部分；而参数m，它指定一个点应该包含在一个簇中的邻居数量。以wiki为例，我们计算在同一分区内从每个点到最近邻居的距离，如下所示，我们可以很容易地确定ε= 22。
对于参数m，我们计算核心点的ε邻域内有多少样本，如下所示。我们选择m = 129，因为它是第一个谷底。
结论与分析
DBSCAN能够聚类非球形数据，但不能反映高维数据。当密度分布不均匀时，聚类性能不太好。KMeans和DBSCAN之间的聚类性能如下所示。很容易发现DBSCAN具有比KMeans更好的聚类性能。
可以在MachineLearning中找到本文中的相关代码和数据集。
有兴趣的小伙伴可以查看上一篇。
原文地址：https://www.codeproject.com/Articles/5129186/Step-by-Step-Guide-to-Implement-Machine-Learning-8
