DBSCAN与KMeans对比

DBSCAN也是基于密度的聚类算法

超参数：

EPS领域半径

Mmpts 核心点领域内点个数的阈值

核心概念：

核心点：一个对象在其半径内含有>Mmpts数目的点，则该点为核心点

边界点：一个对象在其半径内含有

噪音点：既不是核心点，也不是边界点的点。

 

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

x1,y1 = datasets.make_circles(n_samples=500,factor=0.6,noise=0.05)
x2,y2 = datasets.make_blobs(n_samples=500,n_features=2,centers=[[1.2,1.2]], cluster_std=[[.1]])

x=np.concatenate((x1,x2))
plt.scatter(x[:,0],x[:,1])

#kmeans聚类
from sklearn.cluster import KMeans
y_pred = KMeans(n_clusters=3,random_state=9).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=y_pred)  
    
#dbscan聚类
from sklearn.cluster import DBSCAN
y_pred = DBSCAN(eps = 0.16, min_samples = 10).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=y_pred)