【机器学习】DBSCAN聚类算法
DBSCAN聚类算法
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种基于密度的空间聚类算法。
1.基本概念
- 核心对象:若某个点的密度达到算法设定的阈值则其为核心点。(即r邻域内点的数量不小于minPts )。其中minPts是自己设定的点的个数,即以r为圆心的圆包含的点多余minPts,那么它就是一个核心对象
- ε-邻域的距离阈值∶设定的半径ε。
- 直接密度可达︰若某点p在点q的ε 邻域内,且q是核心点则p->q直接密度可达。可以理解为p在核心点q的圆内。
- 密度可达∶若有一个关于点的序列q0、q1、…qk,对任意qi->qi-1是直接密度可达的,则称从q0到qk密度可达,这实际上是直接密度可达的“传播”。
- 边界点:属于某一个类的非核心点,即它的邻域内的点少于minPts。
- 噪声点:不属于任何一个类簇的点,即任何一个核心点都不包括这个点,从任何一个核心点到这个点都是密度不可达的。
需要指定的参数:阈值minPts以及半径ε。
可用于异常点的检测。
2.参数选择
半径r:找突变点
K距离:对于数据集P={p(i);i=0,1,…n},计算点P(i)到P的子集S的距离并从小到大排序,找到距离突变的点,则认为突变点前面的就离了比较合适。
minPts:K距离中的K值,一般取小一点,多次尝试
3.算法思路
对于数据集D:
首先将所有数据都标记为unvisited;DO
任取一个未标记数据点p:
将p标记为visited;
if p是核心点:
将其添加到新的簇C中;
将p邻域中的每个点添加到N中;
for p' in N:
if p'是 unvisited:
将p'标记为visited; if p'是核心点: 将p'邻域内的点添加到N中; if p'未被分配到簇中,将其添加到簇C中;
else p为噪声,将其添加到-1簇中;
Until 没有unvisited的对象
4.优缺点
优点:
- 不需要指定簇的个数
- 只需要两个参数(半径r和阈值minPts)
- 擅长找到离群点(用于异常值监测)
缺点:
- 高维数据有点困难
- 参数难以选择
- SKlearn中效率很慢
5.python代码实现
数据集
1.导入相关包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
2.读取数据
data = pd.read_csv("./data/dataset1.csv",header=None)
data = data.values.tolist()
3.画出原始图像
# 画出原始图像
fig, ax = plt.subplots()
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falseplt.scatter([i[0] for i in data], [i[1] for i in data])
plt.show()
4.计算欧氏距离
'''
计算欧氏距离
'''def calDist(a,b):a = np.array(a)b = np.array(b)dist = np.sqrt(np.dot((a-b),(a-b).T))return dist
5.获取某个点邻域内的点的个数以及列表
'''
获取某个点邻域内的点的个数以及列表
'''
def findNeibors(p,epsilon,data):neibors = [] #用于存储这个点邻域内的点for q in data:dist = calDist(p,q)if dist <= epsilon:neibors.append(q)cnt = len(neibors)return cnt,neibors
6.返回一个未被选择点.若没有未选择点,返回-1
'''
返回一个未被选择点.若没有未选择点,返回-1
'''
def getUnvisited(selected):for i in range(len(selected)):if selected[i] == 0:return ireturn -1
7.判断是否将q添加到簇中
'''
判断是否将q添加到簇中
'''
def isInClusters(q,all_clusters):for clusters in all_clusters:if q in clusters:return Truereturn False
8.设置参数
# 设置参数
minPts = 3
epsilon = 1.0
9.算法实现
'''
DBSCAN算法
'''
def DBSCAN(epsilon,minPts,data):all_clusters = [] # 所有簇noiseList = []selected = [0 for i in range(len(data))]while getUnvisited(selected) != -1:C = [] # 保存同一个簇的点i = getUnvisited(selected) # 找未选择点selected[i] = 1 # 修改选择状态p = data[i]cnts,neibors = findNeibors(p,epsilon,data) #获取邻域内的点if cnts > minPts: # p为核心点C.append(p) # 将p添加到簇中for q in neibors: # 遍历核心点p的邻域点if selected[data.index(q)] == 0:selected[data.index(q)] = -1q_cnt,q_neibors = findNeibors(q,epsilon,data)if q_cnt > minPts: # 如果q是核心点,将其邻域内的点添加到neibors中for i in q_neibors:if i not in neibors:neibors.append(i)#判断q是否已经添加到簇if not isInClusters(q,all_clusters):C.append(q)else:noiseList.append(p)if len(C) != 0:all_clusters.append(C) #找完一个簇,添加到all_clusters中all_clusters.append(noiseList) # 将噪声点添加到all_clusters中return all_clusters
10.运行并展示聚类结果
if __name__ == "__main__":all_clusters = DBSCAN(epsilon,minPts,data) fig,ax = plt.subplots()n = len(all_clusters)for i in range(len(all_clusters)):cluster = all_clusters[i]if i!= len(all_clusters) -1:ax.scatter([j[0] for j in cluster],[j[1] for j in cluster])else:ax.scatter([j[0] for j in cluster],[j[1] for j in cluster],label="noise",c='purple')plt.legend()plt.show()
调库实现DBSCAN
from sklearn.cluster import DBSCAN
db = DBSCAN(eps=epsilon,min_samples=minPts)
db.fit(data)
plt.scatter([i[0] for i in data],[i[1] for i in data],c = db.labels_)
plt.show()
【机器学习】DBSCAN聚类算法相关推荐
- 【机器学习】聚类算法DBSCAN、K-means、Mean Shift对比分析及具体代码实现
[机器学习]聚类算法DBSCAN.K-means.Mean Shift对比分析及具体代码实现 一.DBSCAN算法(具有噪声的基于密度的聚类方法) 1.算法原理 基于数据分布密度不同对数据进行聚类,把 ...
- 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 ...
- DBSCAN聚类算法——机器学习(理论+图解+python代码)
一.前言 二.DBSCAN聚类算法 三.参数选择 四.DBSCAN算法迭代可视化展示 五.常用的评估方法:轮廓系数 六.用Python实现DBSCAN聚类算法 一.前言 去年学聚类算法的R语言的时候, ...
- [Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发(K-Means、BIRCH、树状聚类、MeanShift)
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
- 机器学习之聚类算法——聚类效果评估可视化
我曾在机器学习之聚类算法应用篇中介绍过,聚类算法常使用轮廓系数来评估聚类效果,不过有时候并不是轮廓系数越大越好,如下面两幅图所示,图中的红色虚线表示聚类系数分数: 显然将簇数据设置为2的时候得到的轮廓 ...
- 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 ...
- python DBSCAN聚类算法
文章目录 DBSCAN聚类算法 基本思想 基本概念 工作流程 参数选择 DBSCAN的优劣势 代码分析 ==Matplotlib Pyplot== ==make_blobs== ==StandardS ...
- 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_一种视频人群流的轨迹聚类方法
tags: KLT光流法,K-means聚类算法,DBSCAN聚类算法 方法简介 运动轨迹是一种在视频场景中捕捉复杂时间动态的有效方法.因此,我们将人流分割问题转化为一个轨迹提取和聚类任务.该方法分为 ...
- 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 ...
最新文章
- 最大的ai计算机模型,Microsoft构建了世界排名前五的超级计算机,用于在Azure上训练大型AI模型...
- 【Binder 机制】进程通信 | 用户空间与内核空间 | MMU 与虚拟内存地址
- 004_Ajax服务器响应
- JavaScript快速入门-ECMAScript本地对象(RexExp)
- 永不示弱_永不过时的网页设计:今天和2000年的在线投资组合
- iNeuOS工业互联网操作系统,矿山动态产量计量系统和铁路车辆识别系统应用场景案例...
- python matplotlib包图像配色方案
- 考个ISTQB证书有用吗
- CVPR-2020 AAAI2020 CVPR-2019 NIPS-2019 ICCV-2019 IJCAI-2019 论文超级大合集下载,整理好累,拿走不谢
- 用微软的云计算来远程管理自己的电脑
- USB转串口驱动分析(一)
- 华为完成首个5G测试;央行搭建区块链平台;苹果将于今夜凌晨举行发布会;蔚来汽车明日在美上市; | 雷锋网9月12日消息...
- 4月22日丨【云数据库技术沙龙】技术进化,让数据更智能
- Linux下安装anaconda
- 服务器虚拟化巡检报告,vmvare虚拟化平台巡检周报
- 小i机器人2019数博会C位展实力 “认知智能”引领行业创新变革
- access连接机床_机床如何使用四大系统实现网络化管理
- N圆最密堆积、最小外接正方形的matlab求解(二维、三维等圆Packing 问题)
- 计算机公式ref是什么意思,Excel公式应用错误提示“#REF!”怎么处理
- 耐腐蚀INCONEL 625 合金性能是多少