DBScan学习.ppt

DBSCAN聚类算法 信息管理学院 胡晓康 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法是一个比较有代表性的基于密度的聚类算法，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。 一、简介 Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；核心对象：如果给定对象Ε领域内的样本点数大于等于MinPts，则称该对象为核心对象。直接密度可达：对于样本集合D，如果样本点q在p的Ε领域内，并且p为核心对象，那么对象q从对象p直接密度可达。密度可达：对于样本集合D，给定一串样本点p1,p2….pn，p= p1,q= pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达。密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联。 簇：密度相连的点的最大集合。 二、DBSCAN算法概念 假设半径Ε=3，MinPts=3，点p的E领域中有点{m,p,p1,p2,o}, 点m的E领域中有点{m,q,p,m1,m2},点q的E领域中有点{q,m},点o的E领域中有点{o,p,s},点s的E领域中有点{o,s,s1}. 三、DBSCAN算法概念示例 （1）那么核心对象有p,m,o,s(q不是核心对象，因为它对应的E领域中点数量等于2，小于MinPts=3)； （2）点m从点p直接密度可达，因为m在p的E领域内，并且p为核心对象；（3）点q从点p密度可达，因为点q从点m直接密度可达，并且点m从点p直接密度可达；（4）点q到点s密度相连，因为点q从点p密度可达，并且s从点p密度可达。  注意：（1）密度可达是直接密度可达的传递闭包，并且这种关系是非对称的。（2）只有核心对象之间相互密度可达。（3）密度相连是对称关系 如果一个点，在距它Eps的范围内有不少于MinPts个点，则该点就是核心点。核心和它Eps范围内的邻居形成一个簇。在一个簇内如果出现多个点都是核心点，则以这些核心点为中心的簇要合并。 总之，DBSCAN目的是找到密度相连对象的最大集合。  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。  算法的具体聚类过程如下：??? 扫描整个数据集，找到任意一个核心点，对该核心点进行扩充。扩充的方法是寻找从该核心点出发的所有密度相连的数据点，遍历该核心点的邻域内的所有核心点（因为边界点是无法扩充的），寻找与这些数据点密度相连的点，直到没有可以扩充的数据点为止。最后聚类成的簇的边界节点都是非核心数据点。之后就是重新扫描数据集（不包括之前寻找到的簇中的任何数据点），寻找没有被聚类的核心点，再重复上面的步骤，对该核心点进行扩充直到数据集中没有新的核心点为止。数据集中没有包含在任何簇中的数据点就构成异常点。 算法描述：算法： DBSCAN输入： E——半径 MinPts——给定点在E邻域内成为核心对 象的最小邻域点数。 D——数据集。输出： 目标类簇集合 方法： Repeat1） 判断输入点是否为核心对象2） 找出核心对象的E邻域中的所有直接密度可达点。Until 所有输入点都判断完毕Repeat针对所有核心对象的E邻域内所有直接密度可达点找到最大密度相连对象集合，中间涉及到一些密度可达对象的合并。Until 所有核心对象的E领域都遍历完毕 优点：1. 与K-means方法相比，DBSCAN不需要事先知道要形成的簇类的数量。2. 与K-means方法相比，DBSCAN可以发现任意形状的簇类。3. 同时，DBSCAN能够识别出噪声点。 缺点：1. DBScan不能很好反映高维数据。2. DBScan不能很好反映密度变化的数据。 圆圈代表?r?邻域，红色点为核心点，从点A出发，B、C均是密度可达的，B、C则是密度相连的，且B、C为边界点，而N为噪声点 ? 以上图为例，假设?minPts?为3，r?为图中圆圈的半径，算法从A开始，经计算其为核心点，则将点A及其邻域内的所有点（共4个）归为类Q，接着尝试扩展类Q。查询可知类Q内所有的点均为核心点（红点），故皆具有扩展能力，点C也被划入类Q。在递归拓展的过程中，查询得知C不是核心点，类Q不能从点C处扩充，称C为边界点。边界点被定义为属于某一个