dbscan算法实验报告.docxVIP

算法概述 1. 密度聚类原理　　DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。　　通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。2. DBSCAN密度定义　　DBSCAN是基于一组邻域来描述样本集的紧密程度的，参数(?, MinPts)用来描述邻域的样本分布紧密程度。其中，?描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为?的邻域中样本个数的阈值。假设我的样本集是D=(x1,x2,...,xm),则DBSCAN具体的密度描述定义如下：　　　　1） ?-邻域：对于xj∈D，其?-邻域包含样本集D中与xj的距离不大于?的子样本集，即N?(xj)={xi∈D|distance(xi,xj)≤?}, 这个子样本集的个数记为|N?(xj)|　　　　2) 核心对象：对于任一样本xj∈D，如果其?-邻域对应的N?(xj)至少包含MinPts个样本，即如果|N?(xj)|≥MinPts，则xj是核心对象。　　　　　3）密度直达：如果xi位于xj的?-邻域中，且xj是核心对象，则称xi由xj密度直达。注意反之不一定成立，即此时不能说xj由x