DBSCAN算法的基本原理及实现

Dear-linko 35 0 本文共693个字

DBSCAN算法的基本原理

DBSCAN(Density-based spatial clustering of applicationswith noise)是Martin Ester, Hans-PeterKriegel等人于1996年提出的一种基于密度的聚类方法,聚类前不需要预先指定聚类的个数,生成的簇的个数不定(和数据有关)。该算法利用基于密度的聚类的概念,即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇,可将密度足够大的相邻区域连接,能有效处理异常数据。

DBSCAN算法的基本概念

核心点:在半径Eps内含有不少于MinPts数目的点

边界点:在半径Eps内点的数量小于MinPts,但是落在核心点的邻域内

噪音点:既不是核心点也不是边界点的点

DBSCAN算法动画演示

感谢up主:_广陵散人_[aru_1]

DBSCAN聚类算法matlab

文件很多,请下载食用[aru_14]

代码下载

dbscan聚类算法优缺点

优点

1.基于密度定义,能处理任意形状和大小的簇

2.可在聚类的同时发现异常点

3.不需要输入要划分的聚类个数

缺点

1.对输入参数ε和Minpts敏感,确定参数困难

2.由于DBSCAN算法中,变量ε和Minpts是全局唯一的,当聚类的密度不均匀时,聚类距离相差很大时,聚类质量差

3.当数据量大时,计算密度单元的计算复杂度大

发表评论 取消回复
表情 图片 链接 代码

分享