之前我的文章提到了k-means演算法這篇文章就是另乙個很經典的演算法，dbscan演算法
首先談一談兩種聚類方法的區別吧，我也是初學者，說的不好還請見諒
1.dbscan演算法聚類是要把雜訊剔除的，而k-means演算法只是把雜訊資料分到了最近的簇裡
2.k-means演算法是把資料分成了k個簇，而dbscan演算法聚類不指定簇的個數，最終的簇的個數是不定的
下面我來介紹一下dbscan演算法
1.將所有點標記為核心點。邊界點或者雜訊點
2.刪除雜訊點
3.為距離在eps之內的所有的核心點之間賦予一條邊
4.每組立案庭的核心點形成乙個簇
5.將每個邊界點指派到乙個與之關聯的核心點的簇中（哪乙個核心點的半徑之內）
eps：兩個樣本被看作鄰居節點的最大距離
min_samples:簇的樣本數
metric：距離計算方式
例：sklearn.cluster.dbscan(eps=0.5,min_samples=5,metric=『euclidean』)
無監督學習 聚類
聚類是針對給定的樣本，根據據他們特徵的相似度或者距離，將其歸併到若干個 類 或 簇 的資料分析問題。乙個類是樣本的乙個子集。直觀上，相似的樣本在相同的類，不相似的樣本分散在不同的類。目的是通過得到的 類 或 簇 來發現資料的特點或者對資料進行處理，在資料探勘 模式識別等領域有著廣泛的應用。屬於無監督...
無監督學習 K Means聚類
無監督學習 通過無標籤的資料，學習資料的分布或資料與資料之間的關係。1定義 根據資料的 相似性 將資料分為多類的過程。1.1.演算法模組 k means 近鄰傳播演算法 dbscan演算法，高斯混合模型 gmm 等。1.2.python庫 sklearn.cluster 1.3.k means聚類演...
無監督學習 K means聚類
先用圖來描述k means怎麼做的 對於如下資料 如果你想分成2類 k 2 演算法會隨機生成兩個聚類中心 然後會分別計算每個資料 綠點 與聚類中心的距離 一般是歐式距離 來決定屬於哪個類 距離哪個聚類中心近 這樣，就得到了資料的第一次分類，接下來演算法會計算已分類的資料的 中心 將它們作為新的聚類中...