【机器学习】无监督学习--（聚类）DBSCAN

1. DBSCAN概述

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是基于密度的聚类算法，本算法将具有足够高密度的区域划分为簇，并可以发现任何形状的聚类。

● ε邻域：给定对象半径ε内的区域成为该对象的ε邻域
● 核心对象：如果给定ε邻域内的样本点数大于等于Minpoints，则该对象为核心对象。
● 直接密度可达：给定一个对象集合D，如果p在q的ε邻域内，且q是一个核心对象，则我们说对象p从q触发是可以直接密度可达的（directly density-reachable）。
● 密度可达：集合D，存在一个对象链p1，p2…pn，p1=q，pn=p，pi+1是从pi关于ε和Minpoints直接密度可达，则称点p是从q关于ε和Minpoints密度可达的。
● 密度相连：集合D存在点o，使得点p、q是从o关于ε和Minpoints密度可达的，那么点p、q是关于ε和Minpoints密度相连的。

2. 算法流程

1）指定合适的ε和Minpoints。
2）计算所有样本点，如果点p的ε邻域里有超过Minpoints个点，则创建一个以p为核心的新簇。
3）反复寻找这些核心点直接密度可达（之后可能是密度可达）的点，将其加入到相应的簇，对于核心点发生“密度相连”状况的簇，给予合并。
4）当没有新的点可以被添加到任何簇时，算法结束。

3. 算法分析

● 缺点：
1）当数据量增大时，要求较大的内存支持I/O消耗也很大。
2）当空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差。
● 和K-Means算法比较：
1）DBSCAN不需要输入聚类个数。
2）聚类簇的形状没有要求。
3）可以在需要时输入过滤噪声的参数。

4. 代码实现

注：数据集在文章末尾

（1）DBSCAN① – sklearn

from sklearn.cluster import DBSCAN
import numpy as np
import matplotlib.pyplot as plt# 载入数据
data = np.genfromtxt("kmeans.txt", delimiter=" ")# 训练模型
# eps距离阈值，min_samples核心对象在eps领域的样本数阈值
model = DBSCAN(eps=1.5, min_samples=4)
model.fit(data)result = model.fit_predict(data)
print(result)

输出：

# 画出各个数据点，用不同颜色表示分类
mark = ['or', 'ob', 'og', 'oy', 'ok', 'om']
for i,d in enumerate(data):plt.plot(d[0], d[1], mark[result[i]])plt.show()

输出：

（2）DBSCAN② – sklearn

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasetsx1, y1 = datasets.make_circles(n_samples=2000, factor=0.5, noise=0.05)
x2, y2 = datasets.make_blobs(n_samples=1000, centers=[[1.2,1.2]], cluster_std=[[.1]])x = np.concatenate((x1, x2))
plt.scatter(x[:, 0], x[:, 1], marker='o')
plt.show()

# 使用K-Means
from sklearn.cluster import KMeans
y_pred = KMeans(n_clusters=3).fit_predict(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.show()

# 使用DBSCAN
from sklearn.cluster import DBSCAN
y_pred = DBSCAN(eps = 0.2, min_samples=50).fit_predict(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.show()

数据集：“kmeans.txt”：

1.658985 4.285136
-3.453687 3.424321
4.838138 -1.151539
-5.379713 -3.362104
0.972564 2.924086
-3.567919 1.531611
0.450614 -3.302219
-3.487105 -1.724432
2.668759 1.594842
-3.156485 3.191137
3.165506 -3.999838
-2.786837 -3.099354
4.208187 2.984927
-2.123337 2.943366
0.704199 -0.479481
-0.392370 -3.963704
2.831667 1.574018
-0.790153 3.343144
2.943496 -3.357075
-3.195883 -2.283926
2.336445 2.875106
-1.786345 2.554248
2.190101 -1.906020
-3.403367 -2.778288
1.778124 3.880832
-1.688346 2.230267
2.592976 -2.054368
-4.007257 -3.207066
2.257734 3.387564
-2.679011 0.785119
0.939512 -4.023563
-3.674424 -2.261084
2.046259 2.735279
-3.189470 1.780269
4.372646 -0.822248
-2.579316 -3.497576
1.889034 5.190400
-0.798747 2.185588
2.836520 -2.658556
-3.837877 -3.253815
2.096701 3.886007
-2.709034 2.923887
3.367037 -3.184789
-2.121479 -4.232586
2.329546 3.179764
-3.284816 3.273099
3.091414 -3.815232
-3.762093 -2.432191
3.542056 2.778832
-1.736822 4.241041
2.127073 -2.983680
-4.323818 -3.938116
3.792121 5.135768
-4.786473 3.358547
2.624081 -3.260715
-4.009299 -2.978115
2.493525 1.963710
-2.513661 2.642162
1.864375 -3.176309
-3.171184 -3.572452
2.894220 2.489128
-2.562539 2.884438
3.491078 -3.947487
-2.565729 -2.012114
3.332948 3.983102
-1.616805 3.573188
2.280615 -2.559444
-2.651229 -3.103198
2.321395 3.154987
-1.685703 2.939697
3.031012 -3.620252
-4.599622 -2.185829
4.196223 1.126677
-2.133863 3.093686
4.668892 -2.562705
-2.793241 -2.149706
2.884105 3.043438
-2.967647 2.848696
4.479332 -1.764772
-4.905566 -2.911070

【机器学习】无监督学习--（聚类）DBSCAN相关推荐

机器学习-无监督学习-聚类：聚类方法（一）--- k-Means（k-均值）算法，k-Means++算法【使用最大期望值算法（EM算法）来求解】
一.聚类算法 1.聚类算法概述聚类算法:一种典型的无监督学习算法(没有目标值),主要用于将相似的样本自动归到一个类别中.在聚类算法中根据样本之间的相似性,将样本划分到不同的类别中,对于不同的相似度计 ...
机器学习-无监督学习-聚类：聚类方法（二）--- 基于密度的聚类算法【DBSCAN文本聚类算法，密度最大值文本聚类算法】
密度聚类方法的指导思想是,只要样本点的密度大于某阀值,则将该样本添加到最近的簇中. 基于密度的聚类算法假设聚类结构能够通过样本分布的紧密程度确定,以数据集在空间分布上的稠密程度为依据进行聚类,即只要一 ...
机器学习算法--无监督学习--聚类
机器学习算法–无监督学习–聚类一.原型聚类特点:需要预先指定簇的个数K 1.K-Means Python实现K-Means算法: Python实现K-Means算法原理:从数据集中选择K个样本作 ...
机器学习-Sklearn-07（无监督学习聚类算法KMeans）
机器学习-Sklearn-07(无监督学习聚类算法KMeans) 学习07 1 概述 1.1 无监督学习与聚类算法聚类算法又叫做"无监督分类",其目的是将数据划分成有意义或有用的 ...
机器学习之无监督学习——聚类
机器学习之无监督学习--聚类无监督学习一.基于划分的聚类方法 1.基于划分的方法简介 A.概念 B.分组 C.分组与样本对应关系 D.硬聚类与软聚类二.基于层次的聚类方法 1.基于层次的 ...
算法——机器学习——无监督学习—— K均值(K-means)图解动画
快速排序简介算法过程算法过程详解一:聚类二:聚类中心移动算法结束简介 k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预 ...
apriori算法_机器学习(无监督学习)关联规则Apriori算法原理与python实现
关联规则Apriori算法 1.关联规则概述关联规则算法是在一堆数据集中寻找数据之间的某种关联,通过该算法我们可以对数据集做关联分析--在大规模的数据中寻找有趣关系的任务.这些关系可以有两种形式:频 ...
聚类(序)——监督学习与无监督学习
聚类系列: 聚类(序)----监督学习与无监督学习聚类(1)----混合高斯模型 Gaussian Mixture Model 聚类(2)----层次聚类 Hierarchical Clusteri ...
吴恩达机器学习笔记-无监督学习
机器学习-无监督学习一.什么是无监督学习二.聚类算法(无监督学习) 1.聚类算法的应用 2.K-Means算法算法流程--图例算法流程--文字描述 K-means分离不佳簇问题 K-means ...
图解机器学习算法(13) | 聚类算法详解（机器学习通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/34 本文地址:https://www.showmeai.tech/article-d ...

【机器学习】无监督学习--（聚类）DBSCAN

1. DBSCAN概述

2. 算法流程

3. 算法分析

4. 代码实现

（1）DBSCAN① – sklearn

（2）DBSCAN② – sklearn

【机器学习】无监督学习--（聚类）DBSCAN相关推荐

最新文章

热门文章