1.DBSCAN算法

K-means聚类算法基于距离的聚类算法，其中的局限性在于，在凸集中进行聚类，但是在非凸集聚类效果不佳。如图：

对于下图，进行聚类，传统的聚类算法效果不佳，使用DBSCAN则效果更佳。

DBSCAN是基于密度的聚类算法，将样本点分为三类：

核心点：样本点处的密度大于密度下限

边界点：样本点处的密度小于密度下限，但样本点在某一核心点的邻域内

噪声点：既不是核心点也不是样本点

原理：DBSCAN聚类算法本质上就是通过寻找一系列的紧紧挨着的高密度核心点（core points），以及这批核心点外层的边界点，将其聚类成簇。

DBSCAN的核心思想是从某个核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。

算法口语解释

下面这些点是分布在样本空间的众多样本，现在我们的目标是把这些在样本空间中距离相近的聚成一类。我们发现A点附近的点密度较大，假设从A点开始红色的圆圈根据一定的规则（即以点A为圆心，按照一个半径长度画一个圆）在这里滚啊滚，最终收纳了A附近的5个点，标记为红色也就是定为同一个簇。其它没有被收纳的根据一样的规则成簇。（形象来说，我们可以认为这是系统在众多样本点中随机选中一个，围绕这个被选中的样本点画一个圆，规定这个圆的半径以及圆内最少包含的样本点，如果在指定半径内有足够多的样本点在内，那么这个圆圈的圆心就转移到这个内部样本点，继续去圈附近其它的样本点。等到这个滚来滚去的圈发现所圈住的样本点数量少于预先指定的值，就停止了。那么我们称最开始那个点为核心点，如A，停下来的那个点为边界点，如B、C，没得滚的那个点为离群点，如N）。

参数选择

半径：半径是最难指定的，大了，圈住的就多了，簇的个数就少了；反之，簇的个数就多了，这对我们最后的结果是有影响的。我们这个时候K距离可以帮助我们来设定半径r，也就是要找到突变点，比如：

以上虽然是一个可取的方式，可是有时候比较麻烦，大部分仍是都试一试进行观察，用k距离须要作大量实验来观察，很难一次性把这些值都选准。

MinPts:这个参数就是圈住的点的个数，也至关因而一个密度，通常这个值都是偏小一些，而后进行屡次尝试

伪代码

1.初始化当前簇号为0，初始化样本集内所有样本点的标签为noise ,初始化种子集合seeds为空集合。

2.从样本集中依序取一个标签为noise的点xi,如果没有这样的点，算法结束。

3.检查xi是否是核心点，如果不是转到第2步。

4.将xi邻域内的所有标签为noise的点标记为当前簇号，并加入集合seeds（不包括xi）.

5.如果集合seeds为空，将当前簇号加1，并转到第2步，否则从集合seeds中取一个点p

6.如果点p为非核心点，则从集合seeds中删除，并转到第5步。

7.将点p的邻域内的所有标签为noise的点标记当前簇号，并加入到seeds集合，转到第5步。

密度：空间中任意一点的密度是以该点为圆心，以EPS为半径的圆区域内包含的点数目
边界点：空间中某一点的密度，如果小于某一点给定的阈值minpts,则称为边界点
噪声点：不属于核心点，也不属于边界点的点，也就是密度为1的点

算法优点

这类算法能克服基于距离的算法只能发现“类圆形”(凸)的聚类的缺点
可发现任意形状的聚类，且对噪声数据不敏感。
不需要指定类的数目cluster
算法中只有两个参数，扫描半径 (eps)和最小包含点数(min_samples）

算法缺点：

1、计算复杂度，不进行任何优化时，算法的时间复杂度是O(N^{2})，通常可利用R-tree，k-d tree, ball
tree索引来加速计算，将算法的时间复杂度降为O(Nlog(N))。
2、受eps（两个样本之间的最大距离，即扫描半径）影响较大。在类中的数据分布密度不均匀时，eps较小时，密度小的cluster会被划分成多个性质相似的cluster；eps较大时，会使得距离较近且密度较大的cluster被合并成一个cluster。在高维数据时，因为维数灾难问题，eps的选取比较困难。
3、依赖距离公式的选取，由于维度灾害，距离的度量标准不重要
4、不适合数据集集中密度差异很大的，因为eps和metric选取很困难。

国外有一个特别有意思的网站：

Visualizing DBSCAN Clustering

DBSCAN聚类算法原理和伪代码相关推荐

DBSCAN聚类算法原理及图解
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法,和K-M ...
毫米波雷达点云 DBSCAN聚类算法
毫米雷达点云 DBSCAN聚类算法聚类的目的聚类算法分类原型聚类层次聚类密度聚类 DBSCAN聚类算法原理相关定义算法流程以及伪代码 DBSCAN算法优缺点 DBSCAN参数选择聚类衡 ...
机器学习算法-KMeans聚类算法解析及伪代码实现。
机器学习算法-KMeans聚类算法解析及伪代码实现. 徐小狗在文末附上了几条大神们关于KMeans聚类算法的博文,欲详细研究请前往浏览~ 作为初学者,许多地方可能笨拙或有误,希望有大神看到后给予优化和 ...
K-means与DBSCAN聚类算法
K-means与DBSCAN聚类算法前言:目前数据聚类方法大体上可以分为划分式聚类方法(Partition-based Methods).基于密度的聚类方法(Density-based method ...
PCL 点云DBSCAN聚类算法
文章目录一.简介二.实现代码三.实现效果参考资料一.简介关于DBSCAN聚类算法的原理可以看之前的文章:点云DBSCAN聚类算法(C++),这里仅仅是对该算法进行了整理,让它可以支持PCL ...
dbscan算法_如何掌握用于机器学习的流行DBSCAN聚类算法
总览 DBSCAN聚类是一种针对无监督学习问题而被低估但非常有用的聚类算法了解DBSCAN集群如何工作,为什么要学习以及如何在Python中实现DBSCAN集群介绍掌握无监督学习为数据科学家开辟 ...
干货 | 非常全面的谱聚类算法原理总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达谱聚类算法是目前最流行的聚类算法之一,其性能及适用场景优于传统的聚 ...
层次聚类算法原理总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达层次聚类(hierarchical clustering)基于簇间 ...
python kmeans聚类对二维坐标点聚类_Kmeans均值聚类算法原理以及Python如何实现
第一步.随机生成质心由于这是一个无监督学习的算法,因此我们首先在一个二维的坐标轴下随机给定一堆点,并随即给定两个质心,我们这个算法的目的就是将这一堆点根据它们自身的坐标特征分为两类,因此选取了两个质 ...
dbscan算法c语言实现,用C++实现DBSCAN聚类算法
这几天由于工作需要,对DBSCAN聚类算法进行了C++的实现.时间复杂度O(n^2),主要花在算每个点领域内的点上.算法很简单,现共享大家参考,也希望有更多交流. 数据点类型描述如下: 复制代码代码 ...

DBSCAN聚类算法原理和伪代码