DBSCAN聚类算法学习笔记

2023-12-13 10:28:39

DBSCAN聚类算法学习笔记

一些概念名词
MinPts：聚类在一起的点的最小数目，超过这一阈值才算是一个族群
核心点：邻域内数据点超过MinPts的点
边界点：落在核心点邻域内的点称为边界点
噪声点：既不是核心点也不是边界点的点

图示过程：
在这里插入图片描述
开始，选取一点，看邻域范围内是否达到MinPts，达到就加入簇，图示标为红，没达到就判断下一个
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
落在核心点邻域内的点称为边界点，如图标黄色的点
在这里插入图片描述
本例子有一个噪声点
在这里插入图片描述
划分点后，将距离不超过邻域半径的核心点及其所属边界点聚成一个簇
在这里插入图片描述
基于密度的聚类算法，可以根据样本分布的紧密程度决定，同一类别的样本之间是紧密相连的，不同类别样本联系是比较少的
优点是DBSCAN算法不需要事先指定聚类的数量，而是通过样本密度来聚合在一起，对于复杂的分布（比如自动驾驶场景下的点云，含有车、行人、骑行者等，有些目标在空间上还很靠近）及离群点产生的结果比K-Means更加合理
在这里插入图片描述
缺点是如果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；
而且算法较复杂，需要针对距离阈值（邻域范围）和领域样本阈值（MinPts）进行调参才能产生较好的效果

参考资料：
1、https://www.jianshu.com/p/dd6ce77bfb8a
2、DBSCAN聚类 动画演示 https://www.bilibili.com/video/BV114411M7ci/?share_source=copy_web&vd_source=fffc779375536f749de4104fe5c56d3a
3、http://t.csdnimg.cn/avicU

文章来源:https://blog.csdn.net/qq_44114055/article/details/134840873
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。