學(xué)習(xí)筆記，僅供參考，有錯(cuò)必糾

---

聚類

DBSCAN

DBSCAN算法將簇視為由低密度區(qū)域分隔的高密度區(qū)域。由于這種相當(dāng)通用的觀點(diǎn)，DBSCAN發(fā)現(xiàn)的簇可以是任何形狀，而k-means假設(shè)集群是凸形的。
DBSCAN的核心組件是核心樣本的概念，即在高密度區(qū)域內(nèi)的樣本。因此，聚類是一組彼此接近的核心樣本(通過(guò)一些距離度量度量)和一組接近核心樣本(但本身不是核心樣本)的非核心樣本。
該算法有兩個(gè)參數(shù)， min_samples 和 eps，它們定義了dense(密集)的含義。更高的 min_samples 或更低的 eps 表明需要更高的密度來(lái)形成簇。

更正式的定義是，我們將核心樣本定義為數(shù)據(jù)集中的一個(gè)樣本，在eps距離內(nèi)存在min_samples其他樣本，它們被定義為核心樣本的鄰居。這告訴我們，核心樣本是向量空間的密集區(qū)域。
一個(gè)簇是核心樣本的集合，它可以通過(guò)遞歸地獲取一個(gè)核心樣本，或找到它(它們)的所有鄰居是核心樣本，等等來(lái)構(gòu)建。
一個(gè)簇也有一組非核心樣本，這些樣本是簇中核心樣本的鄰居，但它們本身不是核心樣本。直觀地說(shuō)，這些樣本是在一個(gè)簇的邊緣。

根據(jù)定義，任何核心樣本都是集群的一部分。任何不是核心樣本的樣本&#x

總結(jié)

以上是生活随笔為你收集整理的sklearn自学指南(part37)--DBSCAN的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。