聚类67课件讲解.pptxVIP

项目9聚类

汇报人：人工智能专业

项目目标

l掌握聚类的概念及距离的度量方法。

l了解聚类的类型。

知识目标l掌握k均值聚类算法的基本原理及其Sklearn实现方法。

l掌握层次聚类算法的基本原理及凝聚层次聚类算法的Sklearn实现方法。

l掌握DBSCAN聚类算法的基本原理及其Sklearn实现方法。

l能够使用k均值聚类算法、凝聚层次聚类算法和DBSCAN聚类算法训练模型。

技能目标l能够编写程序，寻找k均值聚类模型参数的最优值。

l能够编写程序，寻找DBSCAN聚类模型参数的最优值。

素养目标l掌握常用的聚类算法，提高自主学习能力、数据分析能力和创新能力。

l强化数据安全意识，提高信息技术应用能力。

目录9.1

9.2

01.02.03.04.

聚类任务k均值聚类层次聚类算DBSCAN

9.3算法法聚类算法

9.4

PARTONE

DBSCAN聚

类算法

9.4DBSCAN聚类算法

DBSCAN（density-basedspatialclusteringof

applicationswithnoise）聚类算法是密度聚类算法（基于密度的聚类）

的代表，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，并进行任意形状的聚类。

在计算机图像识别领域，经常进行图像分割，而图像中的像素点往往会聚集

成非凸形状（如环形或月牙形）的图像。对这样的数据进行聚类时，使用密度聚

类算法往往会得到更好的聚类效果。

5

9.4.1DBSCAN聚类算法的基本原理

1．DBSCAN聚类算法中的几个定义

DBSCAN算法是一种基于密度的聚类算法。在学习该算法的原理前，需要先明确几个定义。

（1）密度。数据集中特定点的密度是指以该点为圆心，指定数据为半径的区域内点的个数，

如果该区域内点的个数超过指定阈值，就认为该点所在区域是稠密区域。

（2）密度的度量方法。DBSCAN算法度量密度的参数有两个，分别是领域半径（eps）和区

域内所包含点的最小数量（MinPts）。

（3）ε-邻域。对于样本集合D中的对象，其ε-邻域是包含样本集合D中与的距离不大于

ε的样本。

（4）核心对象。对于样本集合D中的对象，若的ε-邻域内至少包含MinPts个样本，则

该对象为一个核心对象。

（5）密度直达。对于样本集合D，若样本点在的ε-邻域内，并且是核心对象，则

称样本点由密度直达。

（6）密度可达。对于样本集合D中的对象和，若存在样本序列，，，，其

中，，且由密度直达，则称由密度可达，即多个方向相同的密度直

达可连接在一起称为密度可达。

（7）密度相连。对于样本集合D中的对象和，若存在对象，使得与均由

密度可达，则称与密度相连。6

9.4.1DBSCAN聚类算法的基本原理

1．DBSCAN聚类算法中的几个定义

例如，图10中，虚线表示ε-邻域，如果定义MinPts值为