學習筆記，僅供參考，有錯必糾

---

聚類

DBSCAN

DBSCAN算法將簇視為由低密度區域分隔的高密度區域。由于這種相當通用的觀點，DBSCAN發現的簇可以是任何形狀，而k-means假設集群是凸形的。
DBSCAN的核心組件是核心樣本的概念，即在高密度區域內的樣本。因此，聚類是一組彼此接近的核心樣本(通過一些距離度量度量)和一組接近核心樣本(但本身不是核心樣本)的非核心樣本。
該算法有兩個參數， min_samples 和 eps，它們定義了dense(密集)的含義。更高的 min_samples 或更低的 eps 表明需要更高的密度來形成簇。

更正式的定義是，我們將核心樣本定義為數據集中的一個樣本，在eps距離內存在min_samples其他樣本，它們被定義為核心樣本的鄰居。這告訴我們，核心樣本是向量空間的密集區域。
一個簇是核心樣本的集合，它可以通過遞歸地獲取一個核心樣本，或找到它(它們)的所有鄰居是核心樣本，等等來構建。
一個簇也有一組非核心樣本，這些樣本是簇中核心樣本的鄰居，但它們本身不是核心樣本。直觀地說，這些樣本是在一個簇的邊緣。

根據定義，任何核心樣本都是集群的一部分。任何不是核心樣本的樣本&#x

總結

以上是生活随笔為你收集整理的sklearn自学指南(part37)--DBSCAN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。