知识卡片
DBSCAN用密度定类
DBSCAN 用密度而非中心定义类:给定邻域半径 ε 与最小点数 MinPts,点 p 的 ε-邻域为 Nε(p)={q:d(q,p)≤ε}。若 |Nε(p)|≥MinPts,p 为核心点;若 q 落在某核心点的邻域内、但自身邻域点数不足 MinPts,q 为边界点;两者都不是的点为噪声点。算法随机取一个未处理的点,若它是核心点,就把所有从它密度可达的对象并成一个类;若只是边界点则跳过,另取下一个点,直到所有点被处理。由此类可以呈任意形状,也不必事先给出类数 K,还能显式标出噪声。代价是 ε 与 MinPts 必须人为设定,密度差异大的数据难以用一组参数兼顾,稀疏区域容易被判成噪声。
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
- · 第8章 聚类分析
原书出处 · 1 处
- 第8章 聚类分析 · 查看原书依据
其基本思想是把点密度较高的区域划为一类,点密度较低的区域则作为不同类之间的分界区。与 K-means 聚类相比,该算法的优势在于可以做出任何形状的类,而且不需要提前给出类的个数K。
参考来源
- 位置:《大数据挖掘与统计机器学习》第8章 聚类分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter10_0002.xhtml,8.2.2 DBSCAN聚类)
- 结论依据:原文给出 ε-邻域定义、核心点/边界点/噪声点的判别条件,以及随机取点后按核心点扩展或跳过的四步算法。
- 原始内容:其基本思想是把点密度较高的区域划为一类,点密度较低的区域则作为不同类之间的分界区。与 K-means 聚类相比,该算法的优势在于可以做出任何形状的类,而且不需要提前给出类的个数K。