知识卡片
DBSCAN
DBSCAN(基于密度空间聚类含噪声应用)把密度定义为半径 ε 内样本点数量。每个点被赋标签:核心点(半径内邻点数≥MinPts)、边界点(邻点少于 MinPts 但含一个核心点)、噪声点(其余)。算法两步:①每个核心点或相连核心点群(距离近即相连)形成一个簇;②每个边界点归入对应核心点的簇。DBSCAN 能处理异常值(识别为噪声)与非球型簇,是本章第三种聚类算法。下一章转向多层人工神经网络。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 聚类分析——处理无类标数据 · 查看原书依据
如果在一个点周边的指定半径内,其他样本点的数量不小于指定数量(MinPts),则此样本点称为核心点(core point)。
参考来源
- 位置:《Python机器学习》第11章《11.3 使用DBSCAN划分高密度区域》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0147.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:如果在一个点周边的指定半径内,其他样本点的数量不小于指定数量(MinPts),则此样本点称为核心点(core point)。