DBSCAN算法.pptVIP

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