机器学习__DBSCAN算法.pptxVIP

DBSCAN 基于密度的聚类方法基于密度的聚类方法以数据集在空间分布上的稠密程度为依据进行聚类，无需预先设定簇的数量，因此特别适合对于未知内容的数据集进行聚类。DBSCAN（Density-Based Spatial Clustering of Applications with Noise)OPTICS（Ordering Points To Identify the Clustering Structure）DENCLUE（Density-based Clustering)CLIQUE（Clustering In Quest）代表性方法： DBSCAN算法可以把样本中的点分成三类离群点（Outlier）：既不是核点也不是边界点，则是不属于这一类的点。DBSCAN 算法是一种基于密度的聚类算法：聚类的时候不需要预先指定簇的个数最终的簇的个数不确定DBSCAN算法需要首先确定两个参数：Eps : 在一个点周围邻近区域的半径MinPts: 邻近区域内至少包含点的个数边界点核心点 DBSCAN算法MinPts = 7核心点噪声点边界点不是核心点，但它落在某个核心点的邻域内既非核心点也非边界点 DBSCAN算法DBSCAN 算法的流程：　1. 任意选择一个点，计算它的NBHD(Eps,MinPts)判断是否为核点。如果是，在该点周围建立一个类，否则遍历其它点，直到建立一个类。把直接可达的点加入到类中。 2. 将该核心点密度可达的其它核心点及其Eps邻域内的其它点一起构成一个类。 DBSCAN算法DBSCAN 算法的流程：　1. 任意选择一个点，计算它的NBHD(Eps,MinPts)判断是否为核点。如果是，在该点周围建立一个类，否则遍历其它点，直到建立一个类。把直接可达的点加入到类中。 2. 将该核心点密度可达的其它核心点及其Eps邻域内的其它点一起构成一个类。 3. 选择还没有簇标记过的其它点，重复步骤1和2，直到所有点都在类中或者为离群点。 DBSCAN算法DBSCAN 算法DBSCAN 算法的流程：1~7行，根据给定参数(Eps, MinPts)找出所有核心点。10~24行，以任一核心点出发，找出密度可达的数据点，生成聚类簇，直到所有核心点均被访问。 DBSCAN算法原始数据点类型: 核心点, 边界点 ，噪声点Eps = 10, MinPts = 4 DBSCAN算法DBSCAN簇的结果抗噪音可以处理不同形状和大小的数据集 DBSCAN算法参数选择 DBSCAN算法优点：1） 可以对任意形状的稠密数据集进行聚类，K-Means之类的聚类算法一般只适用于凸数据集。2） 可以在聚类时发现异常点，对数据集中的异常点不敏感。3） 聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有很大影响。 DBSCAN算法缺点：样本集较大时，聚类收敛时间较长。需要联合调参距离阈值 Eps，邻域样本数阈值 MinPts ，不同的参数组合对最后的聚类效果有较大影响。3. 对于边界不明显的数据，DBSCAN算法很难区分开。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，这时用DBSCAN聚类一般不适合。 DBSCAN算法原始数据(MinPts=4, Eps=9.75) (MinPts=4, Eps=9.92) 不同密度 DBSCAN算法from sklearn.cluster import DBSCAN # DBSCAN模型运行model = sklearn.cluster.DBSCAN(eps_领域大小圆半径,min_samples_领域内，点的个数的阈值)model.fit(data) 训练模型model.fit_predict(data) 模型的预测方法 DBSCAN算法用户GPS轨迹GPS轨迹和DBSCAN聚类效果 GPS轨迹和DBSCAN聚类效果DBSCAN算法 THANKS