有了K均值聚类，为什么还需要DBSCAN聚类算法？
全文共3138字，预计学习时长16分钟
图源：unsplash
聚类分析是一种无监督学习法，它将数据点分离成若干个特定的群或组，使得在某种意义上同一组中的数据点具有相似的性质，不同组中的数据点具有不同的性质。
聚类分析包括基于不同距离度量的多种不同方法。例如。K均值（点之间的距离）、Affinity propagation（图之间的距离）、均值漂移（点之间的距离）、DBSCAN（最近点之间的距离）、高斯混合（到中心的马氏距离）、谱聚类（图之间距离）等。
2014年，DBSCAN算法在领先的数据挖掘会议ACM SIGKDD上获得the testof time奖（授予在理论和实践中受到广泛关注的算法）。
所有聚类法都使用相同的方法，即首先计算相似度，然后使用相似度将数据点聚类为组或群。本文将重点介绍具有噪声的基于密度的聚类方法（DBSCAN）。
既然已经有了K均值聚类，为什么还需要DBSCAN这样的基于密度的聚类算法呢？
K均值聚类可以将松散相关的观测聚类在一起。每一个观测最终都成为某个聚类的一部分，即使这些观测在向量空间中分散得很远。由于聚类依赖于聚类元素的均值，因此每个数据点在形成聚类中都起着作用。
数据点的轻微变化可能会影响聚类结果。由于聚类的形成方式，这个问题在DBSCAN中大大减少。这通常不是什么大问题，除非遇到一些具有古怪形状的数据。
使用K均值的另一个困难是需要指定聚类的数量（“k”）以便使用。很多时候不会预先知道什么是合理的k值。
DBSCAN的优点在于，不必指定使用它的聚类数量。需要的只是一个计算值之间距离的函数，以及一些将某些距离界定为“接近”的指令。在各种不同的分布中，DBSCAN也比K均值产生更合理的结果。下图说明了这一事实:
基于密度的聚类是无监督学习法，基于数据空间中的聚类是高点密度的连续区域，通过低点密度的连续区域与其他此类聚类分离，来识别数据中独特的组/聚类。
具有噪声的基于密度的聚类方法(DBSCAN)是基于密度聚类的一种基本算法。它可以从大量的数据中发现不同形状和大小的聚类，这些聚类中正包含着噪声和异常值。
DBSCAN算法使用以下两种参数：
· eps (ε)：一种距离度量，用于定位任何点的邻域内的点。
· minPts：聚类在一起的点的最小数目（一个阈值），使一个区域界定为密集。
如果探究
相关知识
鸢尾花三种聚类算法（K
利用GMM对鸢尾花聚类
Python实现Iris数据集（鸢尾花卉数据集）meanshift聚类
基于色彩空间的油菜花图像分割
基于花授粉的模糊聚类的图像分割（MATLAB）
机器学习算法应用于智能农业植物病虫害检测.pptx
K近邻算法和鸢尾花问题
使用K
对鸢尾花数据集和月亮数据集，分别采用线性LDA、k
实践
网址: 有了K均值聚类，为什么还需要DBSCAN聚类算法？ https://m.huajiangbk.com/newsview398152.html
| 上一篇: 如图所示.有一斜面长为L=4m. |
下一篇: 如何提高土壤肥力.doc |
