模式识别 课件8-第八章 密度聚类法.pptx

第八章密度聚类法

主要内容密度聚类法基于密度的聚类DBSCAN算法(DensityBasedSpaicalClusteringofApplicationswithNoise)OPTICS算法OrderingPointsToIdenfifytheClusteringStructure问题：数据往往存在着密度不均匀的情况，有的区域稠密，有的区域密度很低。是否可以利用空间中数据点的密集程度来实现聚类？

8.1基于密度的聚类基于密度的聚类的基本思想：通过计算样本密度及样本之间的连通性来进行聚类。其前提假设为聚类内部的密度高于类外的密度，且类内的噪声密度低于所有类别外的密度。问题：数据往往存在着密度不均匀的情况，K-means算法存在何种问题？

8.1基于密度的聚类???

8.1基于密度的聚类基本概念：（2）直接密度可达；（3）密度可达；?

8.2DBSCAN算法基本概念：（4）密度相连；（5）聚类；?

8.2DBSCAN算法?分析三种不同数据分布情况下的DBSCAN算法过程。

8.2DBSCAN算法8.2.1算法基本流程（1）?分析DBSCAN聚类过程

8.2DBSCAN算法8.2.1算法基本流程（2）算法讨论问题：一个聚类产生的开始点为？噪声点符合什么条件？x邻域中的哪些点被认为和x同类？Queue_list存储了哪些点？为何要对搜索Queue_list的邻域？3.2.3是否是一个递归过程？DBSCAN受哪些因素影响？邻域搜索速度如何提升？算法复杂度如何计算？是否存在某个数据点同时可能同时属于两个相邻类？访问数据点的顺序是否影响分类？?

8.2DBSCAN算法?

8.3OPTICS聚类问题1：聚类的任务除了将数据分为不同的组别，分析分类结果的数据特性，如何生成一种基于密度的聚类结构所表征的有序的数据排序？问题2：DBSCAN如何处理聚类时数据密度发生变化的情况？?

8.3OPTICS聚类????????

8.3OPTICS聚类算法流程??分析OPTICS算法过程

8.3OPTICS聚类?分析种子列表更新过程

8.3OPTICS聚类???

8.3OPTICS聚类8.3.2识别聚类结构OPTICS算法的结果表示为如下形式：设DB是一个包含n个数据点的集合。OPTICS算法生成点的一个排序o:{1…n}→DB，以及相应的可达距离r:{1…n}→R?0。问题：如何分析数据的结构？是否存在子集？（1）可达区域和参数-1

8.3OPTICS聚类（1）可达区域和参数-2????

8.3OPTICS聚类（2）从聚类序列中生成聚类结构结合OPTICS对数据点的排序方式可知，聚类在可达性图中表现为凹陷形式。第一个以不那么陡峭的点A开始，在陡峭的点B结束，而第三个以非常陡峭的C开始、陡峭的D结束。为了捕捉不同程度的陡峭度。如何定义陡度？

8.3OPTICS聚类定义：陡度点，陡度区???

8.3OPTICS聚类??聚类分析条件(1)-(2)指出聚类开始于?陡度下降区D，终止于陡度上升区域U；条件3(a)说明每个聚类至少包含MinPts个点；条件3(b)指出聚类中所有点的可达距离必须比D中第一个点和U区之后第一个点的可达距离小?%；条件(4)定义了起点和终止点。?

8.3OPTICS聚类如何聚类？

基于上述定义，通过遍历可达性图，查找符合陡升和陡降条件的区间，将这些区间链接起来形成聚类，并为这些聚类建立父子关系来表现层次结构。改进方法：基于陡度下降区检索的聚类算法（数据集，数据个数n）While（索引indexn）IF（一个新的陡度向下区开始于index）将该区加入陡度下降区域集合SDASet，取其右侧数据点继续执行；ELSEIF（一个新的陡度向上区开始于index）将该区与SDASet中的每一个陡度向下区合并，检查合并结果是否满足聚类条件，如果满足，则将其保存，取该陡度区的右侧对象继续执行；ELSEindex+1分析：（1）一个新的陡度向下区开始于index，意味着什么？（2）一个新的陡度向上区开始于index，意味着什么？（3）为何能形成聚类？实际上许多组合并不能形成真正的聚类，因此采用两种算法优化计算过程：一是去除掉不可能形成真正聚类的组合，二是去除对所有点的循环。

8.3OPTICS聚类聚类抽取算法（数据集）1.设陡度下降区域集合SDASets=?2.设聚类集合ClusterSets=?3.设index=0,mib=04.WHILE(indexn)4.1mib=max(mib,r(index))4.2IF(index为陡度下降区域D的起始点)4.2.1更新mib-values