DBSCAN算法.ppt

DBSCAN算法 數据挖掘作業1025117002古耀華10計機1班 引言 数据聚类是发现事物自然分类的一种方法，也是机器学习和模式识别中的一个重要任务。对于把一个d-维的数据分成k个集合的问题，要得到全局最优解的算法是NP-hard问题[1]。目前，聚类算法主要有划分方法、层次方法、局部方法和模型方法[2]等几种类型。DBSCAN算法属于局部方法，它可以发现任意形状的聚类[3]，具有较强的聚类能力。在DBSCAN算法中参数值是人为给定的，其中参数Eps的值在很大程度上影响最终的聚类结果。更客观地确定参数Eps的值是DBSCAN算法获得较好聚类结果的关键。 簡介 DBSCAN 算法是一种基于密度的空间聚类算法。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其它空间对象)的数目不小于某一给定阈值。 DBSCAN算法描述 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。 DBSCAN算法描述 DBSCAN的执行过程是一个簇区域不断扩张的过程，所以与KMEANS不同（KMEANS对噪声数据非常敏感，也就是说KMEANS算法可能会因为噪声点而影响其计算结果），DBSCAN可以发现任意形状的聚类，并且可以发现样本集合中的噪声。在DBSCAN中没有被包含在任何簇中的样本对象就是噪声对象。 DBSCAN算法的聚类过程 DBSCAN算法基于一个事实：一个聚类可以由其中的任何核心对象唯一确定。等价可以表述为： 任一满足核心对象条件的数据对象p，数据库D中所有从p密度可达的数据对象o所组成的集合构成了一个完整的聚类C，且p属于C。 DBSCAN算法思想 為了找到一個密度相連集合，仌數据集中任意一個對象p开始聚类，如果p是核心對象，即以p為圓心，Eps為半徑的圓中對象的數量大于等于Mins Pts，那么算法返回一個密度相連的集合，將這個集合內的所有對象都柰示為同一簇;如果p不是一個核心對象，沒有其他對象从p密度可达，那么p被柰示為噪声。 DBSCAN算法對每一個未扫描的点做上述處理，最後密度相連的對象被柰示到同一個簇中，不包含在任何簇中的對象為噪声.對于數据集中的任何一個核心對象，都能够返回一個密相連的集合。 DBSCAN中的几个定义 密度可达是直接密度可达的传递闭包，非对称性关系；密度相连是对称性关系。DBSCA目的是找到密度相连对象的最大集合。 E领域：给定对象p半径为E内的区域称为该对象的E领域； 核心对象：p的E领域内样本数大于MinPts（算法输入值），则该对象p为核心对象； 直接密度可达：对于样本集合D，如果样本点q在p的E领域内，且p为核心对象，则p直接密度可达q； 密度可达：对于样本集合D，存在一串样本点p1，p2，p3，...pn，其中连续两个点直接密度可达，则 p=p1，q=qn，则p密度可达q； 密度相连：对于样本集合D中任意一点o，存在p到o密度可达，并且q到o密度可达，那么q从p密度相连； DBSCAN基本概念 定义1：（Eps近邻）一个给定对象的Eps半径内的近邻就称为该对象的Eps近邻（Eps Neighbourhood of a point），用NEps(p)表示，定义为： NEps(p)＝{q∈D|dist(p，q)≤Eps} 定义2：（核对象）对于一个给定对象， 如果在参数Eps半径的大小内包含等于Minpts或者超过Minpts的近邻，那么则称它为核对象(Core Object)，表示为CO。 定义3：（边界对象）对于一个给定对象，如果它属于某个核的近邻而自己不是核，那么称它为边界对象(Border Object)，表示为BO。 定义4：（直接密度可达）对于给定的Minpts和Eps，从对象q可以直接密度可达(directly density-reachable)p需要满足的条件是： p∈NEps(q) |NEps(q)|≥Minpts DBSCAN基本概念 定义5：（密度可达）对于给定的Minpts和Eps，从对象q可以密度可达(density-reachable)p需要满足的条件是：存在一串对象p1，…，pn，p1=p，pn=q，其中从pi可以直接密度可达p(i+1)。 定义6：（密度连接）对于给定的Minpts和Eps，p和q是密度连接(density-connectivity)的所需要的条件是：存在一个对象o