31(1).密度聚类---DBSCAN算法
密度聚类density-based clustering假设聚类结构能够通过样本分布的紧密程度确定。
密度聚类算法从样本的密度的角度来考察样本之间的可连接性,并基于可连接样本的不断扩张聚类簇,从而获得最终的聚类结果。
一、DBSCAN算法
1.介绍
DBSCAN是一种著名的密度聚类算法,它基于一组邻域参数$(\epsilon,MinPts)$来刻画样本分布的紧密程度。
2.密度直达/可达/相连
给定数据集$D=\{X_1,X_2,...,X_N\}$,定义:
- $\epsilon$-邻域:$N_{\epsilon}\left({\mathbf{x}}_{i}\right)=\left\{{\mathbf{x}}_{j} \in \mathbb{D} | \operatorname{distance}\left({\mathbf{x}}_{i}, {\mathbf{x}}_{j}\right) \leq \epsilon\right\}$
- 核心对象core object:若$|N_{\epsilon}(X_i)| \ge MinPts$,则称$X_i$是一个核心对象。即:若$X_i$的$\epsilon$-邻域中至少包含$MinPts$个样本,则$X_i$是一个核心对象。
- 密度直达directly density-reachable:若$X_i$是一个核心对象,且$X_j \in N_{\epsilon} (X_i)$,则称$X_j$由$X_i$密度直达,记作$X_i \rightarrow X_j$
- 密度可达density-reachable:对于$X_i$和$X_j$,若存在样本序列$(P_0,P_1,...,P_m,P_{m+1})$,其中$P_0=X_i,P_{m+1}=X_j,P_s \in D$,如果$P_{s+1}$由$P_s$密度直达,则称$X_j$由$X_i$密度可达,记作$X_i \leadsto X_j$
- 密度相连density-connected:对于$X_i$和$X_j$,若存在$X_k$,使得$X_i$与$X_j$均由$X_k$密度可达,则称$X_i$与$X_j$密度相连,记作:$X_i \sim X_j$
3.簇
给定邻域参数$(\epsilon,MinPts)$,一个簇$C \subseteq D$是满足下列性质的非空样本子集:
- 连接性connectivity:若$X_i \in C,X_j \in C$,则$X_i \sim X_j$
- 最大性maximality:若$X_i \in C$,且$X_i \leadsto X_j$,则$X_j \in C$
即一个簇是由密度可达关系导出的最大的密度相连样本集合。
4.算法的思想
若$X$为核心对象,则$X$密度可达的所有样本组成的集合记作$\mathbb{X}=\left\{\overrightarrow{\mathrm{x}}^{\prime} \in \mathbb{D} | \overrightarrow{\mathrm{x}} \leadsto \overrightarrow{\mathrm{x}}^{\prime}\right\}$。可以证明:$\mathbb{X}$就是满足连接性与最大性的簇。
于是DBSCAN算法首先任选数据集中的一个核心对象作为种子seed,再由此出发确定相应的聚类簇。
5.DBSCAN算法
输入:数据集$D={X_1,X_2,...,X_N}$,邻域参数$(\epsilon,MinPts)$
输出:簇划分$C=\{C_1,C_2,...,C_K\}$
算法步骤:
- 初始化核心对象集合为空集:$\Omega=\phi$
- 寻找核心对象:
- 遍历所有的样本点$X_i,i=1,2,...,N$,计算$N_{\epsilon}(X_i)$
- 如果$|N_{\epsilon}(X_i)| \ge MinPts$,则$\Omega = \Omega \cup \{X_i\}$
- 迭代:以任一未访问过的核心对象为出发点,找出有其密度可达的样本生成的聚类簇,直到所有核心对象都被访问为止。
6.注意
若在核心对象$o_1$的寻找密度可达的样本的过程中,发现核心对象$o_2$是由$o_1$密度可达的,且$o_2$尚未被访问,则将$o_2$加入$o_1$所属的簇,并且标记$o_2$为已访问。
对于$D$中的样本点,它只可能属于某一个聚类簇,因此在核心对象$o_i$的寻找密度可达的样本的过程中,它只能在标记为未访问的样本中寻找(标记为已访问的样本已经属于某个聚类簇了)。
7.优点
- 簇的数量由算法自动确定,无需人工指定。
- 基于密度定义,能够对抗噪音。
- 可以处理任意形状和大小的簇。
8.缺点
- 若样本集的密度不均匀,聚类间距差相差很大时,聚类质量较差。因为此时参数$\epsilon$和$MinPts$的选择比较困难。
- 无法应用于密度不断变化的数据集中。
31(1).密度聚类---DBSCAN算法的更多相关文章
- 密度聚类 - DBSCAN算法
参考资料:python机器学习库sklearn——DBSCAN密度聚类, Python实现DBScan import numpy as np from sklearn.cluster impo ...
- 31(2).密度聚类---Mean-Shift算法
Mean-Shift 是基于核密度估计的爬山算法,可以用于聚类.图像分割.跟踪等领域.
- 聚类——密度聚类DBSCAN
Clustering 聚类 密度聚类——DBSCAN 前面我们已经介绍了两种聚类算法:k-means和谱聚类.今天,我们来介绍一种基于密度的聚类算法——DBSCAN,它是最经典的密度聚类算法,是很多算 ...
- 吴裕雄 python 机器学习——密度聚类DBSCAN模型
import numpy as np import matplotlib.pyplot as plt from sklearn import cluster from sklearn.metrics ...
- 密度聚类 DBSCAN
刘建平:DBSCAN密度聚类算法 https://www.cnblogs.com/pinard/p/6208966.html API 的说明: https://www.jianshu.com/p/b0 ...
- 基于密度聚类的DBSCAN和kmeans算法比较
根据各行业特性,人们提出了多种聚类算法,简单分为:基于层次.划分.密度.图论.网格和模型的几大类. 其中,基于密度的聚类算法以DBSCAN最具有代表性. 场景 一 假设有如下图的一组数据, 生成数据 ...
- 机器学习(十)—聚类算法(KNN、Kmeans、密度聚类、层次聚类)
聚类算法 任务:将数据集中的样本划分成若干个通常不相交的子集,对特征空间的一种划分. 性能度量:类内相似度高,类间相似度低.两大类:1.有参考标签,外部指标:2.无参照,内部指标. 距离计算:非负性, ...
- 机器学习(六)K-means聚类、密度聚类、层次聚类、谱聚类
本文主要简述聚类算法族.聚类算法与前面文章的算法不同,它们属于非监督学习. 1.K-means聚类 记k个簇中心,为\(\mu_{1}\),\(\mu_{2}\),...,\(\mu_{k}\),每个 ...
- DBSCAN密度聚类算法
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法,和K-M ...
随机推荐
- 2018HDU多校二 -F 题 Naive Operations(线段树)
题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=6315 In a galaxy far, far away, there are two integer ...
- CodeForces-Round235D
链接:http://codeforces.com/contest/401/problem/D 题意:给出一个数字num和m,问通过重新排列num中的各位数字中有多少个数(mod m)=0,直接枚举 ...
- Ceph 集群搭建
1.Ceph部署 1.1 Ceph 安装前准备,环境与拓扑图如下: 主机名 外网IP 内网IP 安装组件 磁盘块 c720181 172.22.69.84 192.168.20.181 ceph-de ...
- 基于iCamera测试500w摄像头-mt9p001,mt9p031,mt9p001模块小结
基于iCamera测试500w摄像头-mt9p001,mt9p031,mt9p001模块小结 先看实物 M12标准无畸变镜头效果 标准CS镜头效果 iCamera底板+mt9p001安装效果 再看看c ...
- JS页面跳转加密解密URL参数
页面跳转加密参数 window.location.href="foot.html?"+btoa(encodeURIComponent("goodid="+goo ...
- MySQL 表记录查询小练习
表记录查询小练习 查看岗位是teacher的员工姓名.年龄 查看岗位是teacher且年龄大于26岁的员工姓名.年龄 查看岗位是teacher且薪资在12000-16000范围内的员工姓名.年龄.薪资 ...
- vue 组件传递值以及获取DOM元素的位置信息
1.父组件 select_li.vue 1.1 父组件模板 <template> <div id='selectLi' ref="selectLi"> &l ...
- 小白的springboot之路(十)、全局异常处理
0.前言 任何系统,我们不会傻傻的在每一个地方进行异常捕获和处理,整个系统一般我们会在一个的地方统一进行异常处理,spring boot全局异常处理很简单: 介绍前先说点题外话,我们现在开发系统,都是 ...
- 导入做好的java项目出现下面的错误:The project cannot be built until build path errors are resolved
例子: 作者在eclipse中导入一个新的项目时,出现了三个错误,如图1中所示: 图1 3 errors 原因分析: 在这个工程中,作者在写的时候,在build path中添 ...
- hdu 6318 Swaps and Inversions (线段树求逆序对数)
Swaps and Inversions Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Oth ...