《机器学习项目案例开发》课件 8.2聚类-DBSCAN

人工智能技术与应用8.DBSCAN聚类课程概况—基本情况PART01聚类算法DBSCAN算法概述DBSCAN参数DBSCAN流程DBSCAN优缺点DBSCAN概念DBSCAN聚类算法：Kmenas聚类缺点：

①K值难确定；②受初始值影响较大；③复杂度与样本规模呈线性关系；④很难发现任意形状的簇。聚类的应用：DBSCAN算法是密度聚类算法，所谓密度聚类算法就是说这个算法是，根据样本的紧密程度来进行聚类DBSCAN算法基本概念：r邻域：给定对象半径为r内的区域称为该对象的r邻域。如图，P对象在半径r内构成的圆就是该对象的r邻域，如图1。核心对象：如果给定对象r邻域内的样本点数大于等于MinPoints，则称该对象为核心对象；如图2：设置MinPoints的点为2，那么在对象p的e领域内有4个点，大于MinPoints，那么p对象就是核心对象。ε-邻域的距离阈值：设定的半径r直接密度可达：如果样本点q在p的r邻域内，并且p为核心对象，那么对象p-q直接密度可达，如图3。rrrDBSCAN概念DBSCAN算法基本概念：密度可达：若有一个点的序列q0、q1、…qk，对任意qi-qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可达的“传播”，如图1，q-p密度直达，m-q密度直达，那么m-p密度可达。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是密度相连的，如图2：q-o是密度可达，p-o是密度可达，q-p是密度相连。在DBSCAN中那些样本可以看成一个类（也称簇）。即最大的密度相连的样本集合。DBSCAN概念密度可达与密度直达：图中MinPts=5，红色的点都是核心对象，因为其ϵ-邻域至少有5个样本。黑色的样本是非核心对象。所有核心对象密度直达的样本在以红色核心对象为中心的超球体内，如果不在超球体内，则不能密度直达。图中用绿色箭头连起来的核心对象组成了密度可达的样本序列。在这些密度可达的样本序列的ϵ-邻域内所有的样本相互都是密度相连的。DBSCAN概念DBSCAN算法基本概念：边界点:属于某一个类的非核心点,不能发展下线了，如图中B、C点就是边界点。噪声点：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，如图N点。A核心对象、BC边界点、N离群点DBSCAN概念DBSCAN流程：参数D：输入数据集：参数Ꜫ：指定半径MinPts：密度阀值DBSCAN工作流程参数选择：参数Ꜫ：半径ϵ，可以根据K距离来设定：找突变点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，多次尝试可视化：https:///blog/visualizing-dbscan-clustering/https:///blog/visualizing-k-means-clustering/DBSCAN参数选择DBSCAN优缺点DBSCAN优缺点优势：

不需要指定簇个数擅长找到离群点（检测任务）可以发现任意形状的簇两个参数就够了缺点：缺点：