DBSCAN（Density-Based?Spatial?Clustering?of?Applications?with?Noise）是一個比較有代表性的基于密度的聚類算法，類似于均值轉移聚類算法，但它有幾個顯著的優點。

DBSCAN以一個從未訪問過的任意起始數據點開始。這個點的領域是用距離ε（所有在ε的點都是鄰點）來提取的。

如果在這個鄰域中有足夠數量的點（根據minPoints），那么聚類過程就開始了，并且當前的數據點成為新聚類中的第一個點。否則，該點將被標記為噪聲（稍后這個噪聲點可能會成為聚類的一部分）。在這兩種情況下，這一點都被標記為（visited）。

對于新聚類中的第一個點，其ε距離附近的店也會成為同意了聚類的一部分。這一過程在ε臨近的所有點都屬于同一個聚類，然后重復所有剛剛添加到聚類組的新點。

步驟2和步驟3的過程將重復，直到所有點都被確定，就是說在聚類附近的所有點都已被訪問和標記。

一旦我們完成了當前的聚類，就會檢索并處理一個新的未訪問點，這將導致進一步的聚類或噪聲的發現。這個過程不斷地重讀，直到所有的點被標記為訪問。因為在所有的點都被訪問過之后，每一個點都被標記為屬于一個聚類或者是噪聲。

DBSCAN的主要缺點是，當聚類具有不同的密度時，它的性能不像其他聚類算法那樣好。這是因為當密度變化時，距離閾值ε和識別臨近點的minPoints的設置會隨著聚類的不同而變化。這種缺點也會出現在非常高緯的數據中心，因為距離閾值ε變得難以估計。

?

總結

以上是生活随笔為你收集整理的推荐算法-聚类-DBSCAN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。