DBSCAN

　

dbscan

   K-Means算法主要针对那种类圆形区域数据的聚类。而密度聚类可以弥补这个缺点，可用于任何形状的聚类。这个算法需要我们调节两个参数，半径sigma，最小数目m，先介绍该算法的一些概念。

• 核心对象：对于一个对象它的sigma领域内至少有m个对象，那我们就称之为核心对象。

• 直接密度可达：如果一个对象处在一个核心对象的sigma领域内，那称这两个对象直接密度可达。

• 密度可达（相连）：如果一个对象a和b直接密度可达，对象b和c也是直接密度可达，那么我们称a和c是密度可达的，也称这两个对象是密度相连的。

   dbscan的算法就是我们先找到一个核心对象，从它出发，确定若干个直接密度可达的对象，再从这若干个对象出发，寻找它们直接密度可达的点，直至最后没有可添加的对象了，那么一个簇的更新就完成了。我们也可以说，簇其实就是所有密度可达的点的集合。

参考链接：

   https://www.jianshu.com/p/e8dd62bec026

   https://blog.csdn.net/itplus/article/details/10088625

文章最后发布于: 2018-11-20 11:38:27

相关阅读

使用DBScan + Kmeans计算区域集聚和中心点

DBSCAN，英文全写为Density-based spatial clustering of applications with noise ，是在 1996 年由Martin Ester, Hans-Peter Kri

DBSCAN

DBSCAN DBSCAN是一种密度聚类算法，它基于一组参数(ϵ\epsilonϵ,MinPts)来刻画样本分布的紧密程度。1､算法原理 如上图所示，DBSCAN