dbscan算法思路以及sklearn的DBSCAN聚类方法应用

dbscan算法思路以及sklearn的DBSCAN聚类方法应用

前言： 对于前面博文中的k-means聚类方法，它有一个很大的缺陷，就是它对于简单成团的数据样本聚类效果较好，但是对于复杂的样本数据分布就搞不定了，比如环形分布的样本数据，或者其它复杂分布的样本数据如下图

那么DBSCAN能够很好解决k-means算法的这个缺陷，它将具有足够高密度的区域划分为簇，并可以发现任何形状的聚类。

一、DBSCAN聚类算法基本概念和思路

1、基本概念

如下图，若MinPoints=3，则点P就是一个核心对象，点P和点M就是直接密度可达，点P和点Q就是密度可达，点S和点R就是密度相连

2、算法思路

二、在sklearn中利用DBSCAN算法实现聚类

1、示例代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN
from sklearn.cluster import KMeans
from sklearn import datasets
# 生成数据
x1, y1 = datasets.make_circles(n_samples=2000, factor=0.5, noise=0.05)
x2, y2 = datasets.make_blobs(n_samples=1000, centers=[[1.2, 1.2]], cluster_std=[[0.1]])
x = np.concatenate((x1, x2))

# k-means方法聚类
model = KMeans(n_clusters=3)
model.fit(x)
result = model.predict(x)
plt.scatter(x[:, 0], x[:, 1], c=result)

# DBSCAN方法聚类
model = DBSCAN(eps=0.2, min_samples=50)
model.fit(x)
result = model.fit_predict(x)
plt.figure()
plt.scatter(x[:, 0], x[:, 1], c=result)
plt.show()

2、执行结果

对于这种分布的样本数据，可见DBSCAN聚类结果才是我们想要的。