dbscan（DBSCAN算法的优缺点）-微PE WEIPE.NET

一、 DBScan算法

1、 DBScan算法概述

DBScan算法（Density-Based Spatial Clustering of Applications with Noise），又称为密度聚类算法，是一种基于密度的聚类算法，主要用于根据数据中每个点的密度特征来对每个点进行聚类，为噪声点分类。它是统计学中的一种重要的聚类分析方法，它的主要思想是根据样本点的密度特征将相近的点组成一个聚类，相比K-Means算法，它可以处理非凸数据（Non-convex data）的聚类，也可以对噪声点进行分类。

2、 DBScan算法原理

（1）基本概念

a. 密度：密度是大多数DBScan算法聚类方法的基础，它指的是一个数据点所在邻域内点的数量。

b. 密度可达：可达是指一个数据点的邻域内有足够多个点，我们可以通过设置样本点的密度来判断一个点是否可达。

c. 邻域：邻域指的是在一定距离内的样本点，可以认为邻域是一个范围在指定距离内的空间点的集合。

（2）DBScan算法的主要步骤：

a. 根据数据点的密度设定样本点的阈值，找出可达的点；

b. 瀵瑰彲杈剧偣鐨勯偦鍩熷唴鐨勭偣杩涜鑱氱被锛屽櫔澹扮偣涓嶅弬涓庤仛绫伙紱

c. 合并最终的聚类结果，得到最终的聚类图。

1、dbscan算法介绍：

dbscan（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，也是有效处理离散点集或异常点分类的方法之一。 它主要特性是可以把数据集划分为不同簇，并且能够容纳不同大小、形状和密度的数据点集。

2、dbscan算法原理：

dbscan算法基于空间中数据点的密度，将数据分为较高密度的簇和较低密度的噪声（noise），是一种可以聚类各种形状、大小和密度的数据点的有效算法。dbscan算法可以根据某一点的密度特征，有效的将这一点归为一个簇，并且只通过局部的评价就能够完整的划分它。

3、dbscan算法步骤：

（1）根据给定的数据点构建k-d树，用于查找临近点；

（2）划定半径R，确定点的MinPts；

（3）遍历所有数据点；

（4）对每一个点，搜索它附近所有点，如果大于等于MinPts，则该点为核心点；

（5）根据核心点及其邻域内的其它点，构成一个簇；

（6）将该簇中的所有点标记为已访问，并将邻域内所有在核心点邻域内的点加入该簇；

（7）当簇内有新的点加入时，重复步骤4-6，直到该簇没有新的点加入；

（8）重复步骤3-7，当所有数据点都被访问过时，聚类完成；

（9）对聚类结果进行调整，剔除噪声点。

4銆乨bscan绠楁硶浼樼偣鍜岀己鐐癸細

（1）优点：

1锛夎兘澶熷彂鐜颁换鎰忓舰鐘剁殑绨囷紝涓嶅彈鏁版嵁鍒嗗竷褰㈢姸鐨勯檺鍒讹紱

2）只需要调整两个参数，可以简单有效的聚类；

3）仅基于核心点的局部结构，不需要处理全局数据；

4）不依赖于原始数据的数值分布，这让它能更好的处理数据集中异常点的存在；

（2）缺点：

1）受数据质量和参数影响比较大；

2锛夊寮傚父鍊兼晱鎰燂紱

3）k-d树及对应的余弦定理构建的耗时较长；

4）实时性和可扩展性一般；

5）需要指定聚类数量，可能会聚成不正确的簇；

6）无法实现层次化的聚类。