蓝盟 IT小贴士，来喽！

可以看出，a点附近的点密度大，红色的圆按照一定的规则在这里滚动，最终收纳a点附近的5点，标记为红色是同一个簇。

其他没有收纳的东西，按照相同的规则进行集群化。

从图像上来看，这是系统在多个样本点中随机地选择一个，围绕该选择出的样本点画一个圆，并规定该圆的半径和圆内的最低样本点，如果在指定的半径内有一盏茶的样本点，则该圆的中心将移动到该内部样本点，并继续移动到该圆附近的其它的样本点，并继续进行下划线，以便流通

如果发现该滚动轮包围的样本点的数量比预先指定的值少，则停止。 那么，将最初的点称为中心点，像a那样，将停止的点称为边界点，像b、c那样，将不能滚动的点称为离群点，像n那样。

根据密度的化学基能做什么呢？

已知kmeans聚类算法只能处理球形簇，即实心簇(因为算法本身有计算平均距离的极限)。 然而，在许多情况下，现实中有各种形式，诸如下面两个图、环和不规则的形式，它们的传统聚类算法是明显悲剧的。

上面已经描述了红圈滚动的过程，该过程包括DBSCAN算法的两个参数，这两个参数相对难以指定，而公认的指定方法将简单描述

半径：半径最难指定，大，包围的多，簇的数量少，相反，簇的数量多，影响我们最后的结果。 此时，k距离有助于设定半径r，即，有助于找到突然变异点。 例如，以上是优选的方法，但是有时很麻烦，大部分需要尝试，在k距离下进行很多实验，一次选择这些个的值是困难的。

名为MinPts:的参数是被包围的点的数目，并且也对应于密度。通常，由于该值稍小，因此它已经被多次尝试。

根据样本I到同簇的其他样本来计算平均距离ai，并且指示样本I应当越小，该样本I被聚集到该集群中(ai被称为样本I到集群中的不相似度)。

计算从样本I到另一个集群Cj的所有样本的平均距离bij，并且被称为样本I和集群Cj之间的相似度。 定义为样本I的集群之间的相似度： bi=min(bi1、bi2、bik2)。

从以上的图可以观察聚类效果的好坏，但是在数据量多的情况和指标多的情况下，观察非常麻烦。此时，可以利用轮廓系数判定结果的好坏，将聚类结果的轮廓系数定义为s，并且确定该聚类是否合理并且有效的尺度。

文/上海蓝盟    IT外包专家

上一篇: 没有了

下一篇: 没有了

分享到：