实战案例——使用DBSCAN实现经纬度聚类

在我们日常应用密度聚类分析时，最常用的一类应用场景就是基于位置信息的聚类，它可以帮助我们找到哪些样本点（一般是经度、纬度）在地理空间维度上具有关联性。

今天就为大家介绍一下如何使用DBSCAN算法实现经纬度聚类。

本案例中，我们仍然使用sklearn库中封装好的DBSCAN聚类算法来实现，这个算法封装在sklearn.cluster包下。

下面我们来看一下这个函数的具体用法

class sklearn.cluster.DBSCAN(eps=0.5, *, min_samples=5, metric='euclidean', metric_params=None)

sklearn

函数常用的参数主要有4个：

1、eps：即我们上一篇文章中所介绍的邻域半径，默认值为0.5

2、min_samples：对应算法中的MinPts，即密度阈值，只有当邻域半径eps内的点的个数大于最少点数目MinPts时，我们定义为属于密集分布

3、metric：计算点之间的