DBSCAN要点.ppt

基于密度的聚类算法DBSCAN聚类算法 DBSCAN DBSCAN是一个基于密度的聚类算法.(他聚类方法大都是基于对象之间的距离进行聚类，聚类结果是球状的簇) 基于密度的聚类是寻找被低密度区域分离的高密度区域。 密度的定义 传统的密度定义：基于中心的方法 传统基于中心的密度定义为： 数据集中特定点的密度通过该点Eps半径之内的点计数(包括本身)来估计。 显然，密度依赖于半径。 DBSCAN 基于密度定义，我们将点分为： 稠密区域内部的点(核心点) 稠密区域边缘上的点(边界点) 稀疏区域中的点(噪声或背景点). DBSCAN 核心点(core point) :在半径Eps内含有超过MinPts数目的点，则该点为核心点 这些点都是在簇内的 边界点(border point):在半径Eps内点的数量小于MinPts，但是在核心点的邻居 噪音点(noise point):任何不是核心点或边界点的点. DBSCAN: 核心点、边界点和噪音点 DBSCAN: 核心点、边界点和噪音点 DBSCAN算法概念示例 如图所示，Eps用一个相应的半径表示，设MinPts=3，请分析Q,M,P,S,O,R这5个样本点之间的关系。 DBSCAN算法原理 DBSCAN通过检查数据集中每点的Eps邻域来搜索簇，如果点p的Eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇。 然后，DBSCAN迭代地聚集从这些核心对象直接密度可达的对象，这个过程可能涉及一些密度可达簇的合并。 当没有新的点添加到任何簇时，该过程结束. DBSCAN算法伪代码 输入：数据集D，参数MinPts,Eps 输出：簇集合 (1) 首先将数据集D中的所有对象标记为未处理状态 (2) for 数据集D中每个对象p do (3) if p已经归入某个簇或标记为噪声 then (4) continue; (5) else (6) 检查对象p的Eps邻域 ； (7) if 包含的对象数小于MinPts then (8) 标记对象p为边界点或噪声点； (9) else (10) 标记对象p为核心点，并建立新簇C, 并将p邻域内所有点加入C (11) for 中所有尚未被处理的对象q do (12) 检查其Eps邻域 ， 若 包含至少MinPts个对象， 则将 中未归入任何一个簇的对象加入C； (13) end for (14) end if (15) end if (16) end for DBSCAN聚类算法的细节 DBSCAN运行效果好的时候 DBSCAN运行不好的效果 DBSCAN的其它问题 DBSCAN的时间复杂性 时间复杂度 DBSCAN的基本时间复杂度是 O(N*找出Eps领域中的点所需要的时间), N是点的个数。最坏情况下时间复杂度是O(N2) 在低维空间数据中,有一些数据结构如KD树，使得可以有效的检索特定点给定距离内的所有点，时间复杂度可以降低到O(NlogN) DBSCAM的空间复杂性 空间复杂度 低维或高维数据中，其空间都是O(N)，对于每个点它只需要维持少量数据，即簇标号和每个点的标识(核心点或边界点或噪音点) 如何合适选取EPS和MinPts 思想是这样的对于在一个类中的所有点,它们的第k个最近邻大概距离是一样的 噪声点的第k个最近邻的距离比较远 所以, 尝试根据每个点和它的第k个最近邻之间的距离来选取 然后: Eps取什么？ MinPts取什么？ DBSCAN算法的优缺点 优点 基于密度定义，相对抗噪音，能处理任意形状和大小的簇 缺点 当簇的密度变化太大时，会有麻烦 对于高维问题，密度定义是个比较麻烦的问题 Original Points Point types: core, border and noise Eps = 10, MinPts = 4 DBSCAN算法概念 Eps邻域：给定对象半径Eps内的邻域称为该对象的Eps邻域，我们用 表示点p的Eps-半径内的点的集合，即: 核心对象：如果对象的Eps邻域至少包含最小数目MinPts的对象，则称该对象为核心对象。 边界点：边界点不