1.密度聚類
基於密度的聚類演算法由於能夠發現任意形狀的聚類，識別資料集中的雜訊點，可伸縮性好等特點，在許多領域有著重要的應用。
密度演算法概念：
1）如果乙個資料點周圍足夠稠密，也就是以這個點為中心，給定半徑的鄰域內的資料點足夠多，密度大於密度閾值(使用者指定的引數minpts),則稱這個資料點為核心資料點，否則為邊界資料點。
2）研究資料點之間的關係，如果p是乙個核心資料點，q屬性p的yita鄰域，則稱q是從p直接密度可達的。
3）如果存在一條鏈,滿足p1=p,pi=q,pi直接密度可達pi+1,則稱p密度可達q。
4）如果存在r,r密度可達q和p,則稱p和q是密度相連的。
5）由於乙個核心資料點和其他密度可達的所有資料點構成乙個聚類。
dbscan演算法：
dbscan演算法思想：尋找資料集d的子集s,s包含於d,s是密度相連的閉集，s滿足s中任意兩點是密度相連的，並且s中任意點不能和s外的點是密度相連的。dbscan從任意一資料點p開始，根據引數yita和minpts,提取所有從p密度可達的資料點，得到乙個聚類。
dbscan演算法的步驟如下：
1）從任一資料點p開始，對p點資料yita和minpts進行判定。如果p是核心資料點，則建立新簇s,並將p鄰域內的所有點歸入s,否則將p點標記為邊界點或雜訊點。
2）對於s中除p點以外的點繼續實施過程1），繼續擴充s,直到所有的點都被判定處理。
dbscan演算法的優點：不易受雜訊影響，可以發現任意形狀的簇。dbscan演算法的缺點：受設定引數的影響，判定的標準比較固定，較稀的聚類會被劃分為多個類，或密度較大且離得較近的類會被合併成乙個聚類。
機器學習 聚類 密度聚類演算法
一，介紹 密度聚類演算法有多種，我們這裡主要介紹一種著名的密度聚類演算法 dbscan。首先，我們通過下圖了解幾個概念 1 鄰域，與中心x距離不超過 距離，如上圖紅色虛線圈 2 核心物件，確定聚類的初始點，如上圖的x1 3 密度直達，在聚類核心物件鄰域內的點，如上圖x2由x1密度直達 4 密度可達，...
機器學習 學習筆記 DBSCAN密度聚類
dbscan密度聚類演算法是一種基於密度的聚類演算法 dbscan密度聚類演算法將資料點分為三類 演算法過程 import numpy as np from sklearn.cluster import dbscandbscan主要引數 import numpy as np import sklea...
密度聚類演算法（二）
dbscan是一種著名的密度聚類演算法，基於一組鄰域引數 r,minpts 來刻畫樣 本的緊密程度。說的通俗點就是以某個樣本點為中心，以r為半徑進行畫圓，在圓內的範圍都是鄰域範圍。基本概念 1 r 鄰域。對任意xi屬於資料集d，其r鄰域包含樣本集d中與xi的距離不大於r的樣本，即n xi 其實就是畫...