2.2基本概念
直观效果上看 ， DBSCAN算法可以找到样本点的全部密集区域 ， 并把这些密集区域当做一个一个的聚类簇 。
当邻域半径R内的点的个数大于最少点数目minpoints时 ， 就是密集 。
邻域半径R内样本点的数量大于等于minpoints的点叫做核心点 。 不属于核心点但在某个核心点的邻域内的点叫做边界点 。 既不是核心点也不是边界点的是噪声点 。
如果P为核心点 ， Q在P的R邻域内 ， 那么称P到Q密度直达 。 任何核心点到其自身密度直达 ， 密度直达不具有对称性 ， 如果P到Q密度直达 ， 那么Q到P不一定密度直达 。
如果存在核心点P2 ， P3 ， …… ， Pn ， 且P1到P2密度直达 ， P2到P3密度直达 ， …… ， P(n-1)到Pn密度直达 ， Pn到Q密度直达 ， 则P1到Q密度可达 。 密度可达也不具有对称性 。
如果存在核心点S ， 使得S到P和Q都密度可达 ， 则P和Q密度相连 。 密度相连具有对称性 ， 如果P和Q密度相连 ， 那么Q和P也一定密度相连 。 密度相连的两个点属于同一个聚类簇 。
如果两个点不属于密度相连关系 ， 则两个点非密度相连 。 非密度相连的两个点属于不同的聚类簇 ， 或者其中存在噪声点 。
2.3 算法的流程
DBSCAN的算法步骤分成两步 。
a)寻找核心点形成临时聚类簇 。 扫描全部样本点 ， 如果某个样本点R半径范围内点数目>=MinPoints ， 则将其纳入核心点列表 ， 并将其密度直达的点形成对应的临时聚类簇 。
b)合并临时聚类簇得到聚类簇 。 对于每一个临时聚类簇 ， 检查其中的点是否为核心点 ， 如果是 ， 将该点对应的临时聚类簇和当前临时聚类簇合并 ， 得到新的临时聚类簇 。 重复此操作 ， 直到当前临时聚类簇中的每一个点要么不在核心点列表 ， 要么其密度直达的点都已经在该临时聚类簇 ， 该临时聚类簇升级成为聚类簇 。 继续对剩余的临时聚类簇进行相同的合并操作 ， 直到全部临时聚类簇被处理 。
Python数据分析及代码如下：
文章插图
原图的结果是
文章插图
参数是eps = 0.1,min_samples=20 ， 结果很差 ， 没有完全分开 。
文章插图
划分后的结果 ， 参数是（eps = 0.2,min_samples=20）最优 。
文章插图
蓝色表示离群点
准确率97.9%
可视化作图优化
原来的：
文章插图
可视化作图优化：
文章插图
文章插图
文章插图

• “8+”“12+”“16+”三档，中国游戏分级标准以年龄划分！《网络游戏适龄提示》发布
• Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分
• 了解情绪划分：如何使用机器学习来保持积极心态？