节基于密度的聚类.pptVIP

2.4 基于密度的聚类算法 基于密度的聚类算法有：DBSCAN、GDBSCAN、OPTICS、DBCLASD等 本节介绍基于密度聚类的基本思路和基本概念，然后介绍DBSCAN 基于密度的算法聚类时一般不需给定聚类数k，聚类的个数由算法的结果确定。 DBSCAN(Density Based Spatial Clustering of Applications with Noise) 一、基本思路 属于一个聚类的各点之间距离较小，密度较大。密度类似于相似度。 密度可以用一定范围内点数来表示。 在一个点的一定距离范围内点很少，则可认为该点是孤立点（类）。去除孤立点可以减少计算量，同时可以提高聚类精度。 点的密度是一种关系，能传递。因此若某点是密度高的，与它邻近的其它点可以继续寻找它们的邻近点，看它们是否也是密度高的。 二、几个概念 直接密度可达的 点q的Eps邻域： 点p和q如果满足如下条件： 则称点p是从点q直接密度可达的，并且点q成为核。 其中Eps和MinPts是需要提供给算法的参数，分别表示点的邻域半径和该邻域的最少点数。 密度可达的 如果存在点的序列： 其中 是从 直接密度可达的，则称点pi+1是从q关于Eps和MinPts密度可达的。 密度相连的 如果存在点r,p,q，p和q都是从点r关于Eps和MinPts密度可达的，则称点p是从点q关于Eps和MinPts密度相连的 基于密度的簇 令D表示数据集，D的一个非空集合C满足下列条件 对任意点p和q，若 且q是从p关于Eps和MinPts密度可达的，则有 p与q是关于Eps和MinPts密度相连的。 则称C是基于密度的簇 噪声点集 令 是数据集中关于不同参数Eps和MinPts的基于密度的簇，则点集 称作噪声点集 令p为数据集D中的一个点， ,则集合 是基于密度的簇 令C是一个关于Eps和MinPts的簇，p为C中某个满足 的点，则C应满足下列条件 关于密度可达的图示 三、DBSCAN算法 输入 ，Eps和MinPts 随机选择一点 ，检索它的Eps邻域，若该邻域的点数不少于MinPts，则点 是第一个核，它的Eps邻域内的点都是关于 直接密度可达的。 检索所有从点 的密度可达点，这就生成第一个基于密度的簇。 访问数据集的下一个点，并同样形成另一个基于密度的簇。 基于参数Eps和MinPts，若没有新的点是从任何簇中的点密度可达的，则计算结束。D中剩下的点是噪声点集，予以删除。 DBSCAN的特点 基于密度也需要距离计算 每个基于密度的簇就是一个聚类 可以识别孤立点类 计算时间复杂度为O(nlogn)，因此效率较高 它需要用户给定控制参数Eps和MinPts，这两个参数对聚类质量有较大影响，而用户往往不能准确设定这两个参数 高维数据集分布不均匀，难以给出一组全局的参数(Eps和MinPts)来刻画内在的聚类结构。 例2-9 用DBSCAN对例2-2 实例聚类：Eps=0.6,MinPts=1 例2.9中各点之间的距离矩阵 计算有关点的邻域 随机选择点x1，根据上述距离矩阵，可以给出Eps的邻域为 ，其点数=2MinPts，因此x1是核。 再给出 的Eps邻域，没有增加新的点，点 互相直接密度可达的，它们成为一个基于密度的簇。 再选择x2，求它的Eps邻域为x4， x4的Eps邻域为x5， x5的邻域没有新点，因此它们构成基于密度的簇。 求基于密度的簇 同样可发现{x6 ，x7}构成基于密度的簇。 因此我们找到三个基于参数Eps=0.6和MinPts=1的簇 如果设Eps=0.5，则x2将从第二簇中分离出来，成为孤立点。该点可以删除。 OPTICS简介 OPTICS(Ordering Points to Identify the Clustering Structure) OPTICS与DBSCAN在结果上是等价的，时间复杂度相同。 OPTICS 主要为解决DBSCAN的两个控制参数问题而设计的，它能够自动和交互地通过修正两参数，为用户提供一个可扩展的簇次序，不是只生成一个明确的聚类。簇的次序刻画了表达数据集的基于密度的聚类结构（类似于聚集层次算法的结果）。 * * 0.3 4.8 1.3 8 0.5 2.1 0.9 7 0.5 2.0 1.0 6 0.8 4.2 2.1 5 0.9 4.0 2.2 4 0.4 5.0 1