ML：非监督学习之 聚类 之 2 DBSAN聚类（skearn.cluster.dbscan))

一、算法图解

DBSCAN：Dense-Based Spatial Clustering of Applications with Noise（基于密度的&带噪点的空间聚类应用方法）

举个栗子：
1. 此处潜在设定条件：Min_smaples（或者叫MinPoints / Minpts）= 3；
2. 划分为QMP3个点、SOR3个点为圆心的圆内的点，共计2类；剩余的点为Noise（噪点）；
3. 核心点：MPOR4个，因为以“Eps邻域”（即圆的半径）的范围内，样本点个数>=3(即 Min_samples)；
4. 边界点：2个cluster中，除QMPSOR6个点之外的点；

二、sklearn官方文档链接

sklearn.cluster.dbscan(
X,                     # 一个feature数组，shape为（n_samples, n_featrues)，或者是 当`metric='precomputed'`的样本间距离数组；
eps=0.5,               # 见上边例子
min_samples=5,         # 见上边例子
metrics='minikowski',  
metric_params=None,
algorithm='auto',
leaf_size=30,
p=2,
sample_weight=None,
n_jobs=None
)

三、优缺点

• 优点

1. 与KMeans相比，不需要事先设定cluster数；
2. 与KMeans相比，可以发现任意形状的cluster；
3. 同时，DBSCAN能够识别出噪点；
4. DBSCAN对于数据库中样本的顺序不敏感，即pattern的输入顺序对结果的影响不大。但是，对处于cluster边界的样本，可能会根据那个cluster优先被探测到而归属有所摆动；

• 缺点

5. 当数据量增大时，要求较大的内存支持，I/O消耗也很大；
6. DBSCAN不能很好的反映高维数据，算法聚类效果依赖于距离公式的选取（实际应用中常用欧式距离）；
7. 如果样本呢的密度不均匀、cluster的间距又很大的时候，聚类质量不好（参见 刘建平Pinard的博客 ）
8. DBSCAN不能很好反映数据集已变化的密度；