基于Matlab应用DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)
一、算法原理
Matlab中的统计与机器学习工具箱(The Statistics and Machine Learning Toolbox™)中开发了函数dbscan。DBSCAN(Density-Based Spatial Clustering of Application with Noise)是一种典型的基于密度的聚类算法,能够将足够高密度的区域划分成簇,并能在具有噪声的空间数据库中发现任意形状的簇。它是基于一组“邻域”参数来刻画样本分布的紧密程度。
要将一个点分配给一个簇,它必须满足这样的条件:它的邻域(epsilon)包含至少最小数量的邻域(minpts)点。或者,这个点可以在另一个点的邻域内满足minpts条件。DBSCAN算法识别了三种点:
- 核心点——簇中的一个点,在它的邻域中至少有minpts个点
- 边界点-簇中的一个点,它的邻域中点的个数小于minpts
- 噪声点-不属于任何簇的离群值
DBSCAN可以使用广泛的距离度量方法,您可以为特定的应用背景定义自定义距离度量(不同特征)。距离度量的选择决定了邻域的形状。文章来源:https://www.toymoban.com/news/detail-425375.html
- 算法流程
对于指定的epsilon邻域epsilon值和核心点所需的最小邻域点数目minpts,dbscan函数实现功能的流程如下:文章来源地址https://www.toymoban.com/news/detail-425375.html
- 从输入数据集X中,选择第一个未标记的观测值x1作为当前点,并将第一个聚类标签C初始化为1。
- 找出在当前点的邻域内的点的集合。这些点是相邻点。如果邻居的数量小于minpts,则将当前点标记为噪声点(或异常值)。转步骤4。否则,将当前点标记为属于簇C的核心点。
- 遍历每个邻居节点(新的当前点)并重复步骤2,直到没有发现可以标记为属于当前簇C的新邻居节点。
- 选择X中的下一个未标记的点作为当前点,并将聚类计数增加1。
到了这里,关于基于Matlab应用DBSCAN的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!