Density Peak改进（PCA/KNN）

参考文献：Study on Density Peaks Based on K-Nearest Neighbors and Principal Component Analysis (KBS2016 C类期刊)

1、改进：

• DPC(Density Peak Clustering)考虑的是数据的全局结构，在计算局部密度 ρ 时未考虑数据的局部特征，因此在目睹不均匀时，DPC效果不好（如Jain数据集） <—-KNN
• 当数据是高维时，DPC效果不好、因为在高位数据中有许多维是不相关的，这些不相关的维会使DPC将其当作噪声。维度越高，距离度量会变得越来越没有意义 <—–PCA

2、方法
先使用PCA降维，再根据DPC聚类, ρ 的计算借助于KNN：

其中，KNN(xi)表示xi的k的最近邻，k=p*N(N表示节点数，p表示percentage)

3、效果
改进后，在flame数据集上，效果明显变好