主要是對說說關於密度聚類dbscan，這個演算法比較新。
確實表現的效果也比較好，能夠解決一些問題。
密度聚類，是假設聚類結構能夠通過樣本分佈的緊密程度來確定，使用密度聚類才有效。
首先掌握該演算法要知道幾個關鍵的屬性：
鄰域，核心物件，密度直達，密度可達，密度相連。
以及兩條重要的性質：
連線性：表示的是同乙個簇中，兩個物件是相連線的
最大性：表示的是如果乙個簇中的物件能夠密度可達另乙個物件，則這兩個物件是在乙個簇內的。
核心思想：
如果乙個核心物件，密度可達的所有樣本組成的集合為滿足連線性和最大性的簇（有點拗口，好好理解一下）。
如果是分類和回歸，都有評價指標，比如分類的問題，我們可以用f1，召回率，準確率，精確率，roc曲線，auc等等。
回歸問題的話，mse，rmse等等。但是聚類的評價指標怎麼計算？
關於聚類的有效性指標，目的是同一簇的樣本盡可能的相似，不同簇的樣本盡可能的不同。
聚類效能的度量有兩種：
外部指標常用的有：jaccrd係數，fm指數，以及ari指數這幾個常用的指標。
內部指標常用的有：db指數。
其中在做聚類的時候，有個小小的注意點，聚類是基於距離的度量和計算的，對於連續型數值是沒問題的，但是如果遇到類別型資料利用類別的數值直接計算是沒有意義的。其中的處理參見，西瓜書中的vdm距離的計算。在聚類這一章是有的。vdm能能夠處理非數值類屬性，它刻畫的是屬性取值在各簇上的頻率分布之間的差異。
聚類總結（中） 密度聚類
密度聚類是一種基於密度的聚類方法，基於密度的聚類方法的主要思想是尋找被低密度區域分離的高密度區域。密度度量 乙個點的區域性密度有不同的度量方式 1.畫個圈，數圈內其他點個數是一種方法。2.用圈內其他點和給點半徑的比值的高斯概率密度形式，對距離核心點距離近的給大權重。3.計算圈內距離最小的前n個點到核...
DBSCAN 密度聚類
dbscan 密度聚類 dbscan演算法是一種基於密度的聚類演算法 聚類的時候不需要預先指定簇的個數 最終的簇的個數不定 dbscan演算法將資料點分為三類 核心點 在半徑eps內含有超過minpts數目的點 邊界點 在半徑eps內點的數量小於minpts，但是落在核心點的鄰域內 噪音點 既不是核...
python DBSCAN密度聚類
1.dbscan 演算法是一種基於密度的聚類演算法 2.dbscan 演算法將資料點分為三類 3.演算法流程 dbscan主要引數 eps 兩個樣本被看做鄰居節點的最大距離 min samles 簇的樣本數 metric 距離計算方式 import numpy as np from sklearn....