DBSCAN(Density-BasedSpatial Clustering of Applications with Noise),一种基于密度的聚类方法,即找到被低密度区域分离的稠密区域,要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。 Some points一、两个参数。 1,距离参数(Eps) 2,邻域内点最少个数(MinPts) 二、根据基于中心的密度进行点分类。 密度的基于中心的方法使得点分为三类: 1,核心点。稠密区域内部的点。该点以Eps为半径的区域内点的个数不少于MinPts(包括自身)。 2,边界点。稠密区边缘上的点,不是核心点,但在某个或多个核心点邻域内。 3,噪声点。稀疏区域中的点,既非核心点也非边界点。 4,密度可达。如果点p在核心点q的Eps邻域内,则称p是从q出发可以直接密度可达。如果存在点链p1,p2, …, pn,p1=q,pn=p,pi+1是从pi直接密度可达,则称点p是从q关于r和M密度可达的,密度可达是单向的。 算法流程从某点出发,将密度可达的点聚为一类,不断进行区域扩张,直至所有点都被访问。 R语言实现在R中实现DBSCAN聚类,可以使用fpc包中的dbscan()函数。在下面的例子中,我们使用factoextra包中的数据集multishapes进行演示。 。 |
|