机器学习-无监督机器学习-密度聚类DBSCAN-19

目录

• 1. DBSCAN
• 2. OPTICS
• 2. MeanShift

1. DBSCAN

Density based clustering

DBSCAN不要求我们指定cluster簇的数量，避免了异常值，并且在任意形状和大小的cluster簇中工作得非常好。它没有质心，聚类簇是通过将相邻的点连接在一起的过程形成的。

超参数：

Epsilon (ɛ)：设置的最大半径。

最小点数目(minPts)：在一个邻域的半径内minPts数的邻域被认为是一个簇。请记住，初始点包含在minPts中。

核心点：在其近邻距离内至少有minPts个数据点。

对核心点的邻域内的每个点进行评估，以确定它是否在epsilon距离内有minPts (minPts包括点本身)。如果该点满足minPts标准，它将成为另一个核心点，cluster簇将扩展。如果一个点不满足minPts标准，它成为边界点。

离群点:这些点不是近邻点，也不是边界点。这些点位于低密度地区。

2. OPTICS

Ordering Points To Identify Cluster Structure

目标是识别聚类的内部结构

这个算法本身核心并不直接划分数据到不同的聚类簇。它仅生成一个关于可达距离（纵轴）图形，然后再去读取这个图形做进一步的 聚类。这个图形本质上记录了数据点被处理的顺序（横轴），而

不是数据点的具体划分。这是与DBSCAN最大的不同。

可达距离图：

在DBCSAN算法中需要输入两个参数：epsilon和minPts ，选择不同的参数会导致最终聚类的结果千差万别，因此DBCSAN对于输入参数过于敏感。OPTICS算法的提出就是为了帮助DBSCAN算法选择合适的参数，降低输入参数的敏感度。

两个重要的概念：

核心距离：是确定一个给定点是核心点的半径最小值。如果给定点不是一个核心点，那么它的核心距离是 无穷大。

可达距离：

定义相对其它数据点q。点p和q之间的可达距离是p点的核心距离与p和q之间的欧氏距离的最大值 max(core_dist(p), eula(p, q))

仔细品味这两张 可达距离 云图

2. MeanShift

均值漂移， 在目标追踪中应用广泛。本身其实是一种基于密度的聚类算法。

计算某一点A与其周围半径R内的向量距离的平均值M，计算出该点下一步漂移（移动）的方向（A=M+A）



MeanShift向量表示区域中k个样本点相对于点x求偏移量再平均，求出来的向量指向概率密度梯度的方向（指向真实质心方向）。

MeanShift的扩展：

不同的簇包含的数据看成是正太分布采样得到的。