目录
居于密度的划分
DBSCAN算法
居于密度的划分
基于划分聚类和基于层次聚类的方法在聚类过程中根据距离来划分类簇，因此只能够用于挖掘球状簇。
为了解决这一缺陷，基于密度聚类算法利用密度思想，将样本中的高密度区域(即样本点分布稠密的区域)划分为簇，将簇看作是样本空间中被稀疏区域(噪声)分隔开的稠密区域。这一算法的主要目的是过滤样本空间中的稀疏区域，获取稠密区域作为簇
基于密度的聚类算法是根据密度而不是距离来计算样本相似度，所以基于密度的聚类算法能够用于挖掘任意形状的簇，并且能够有效过滤掉噪声样本对于聚类结果的影响
常见的基于密度的聚类算法有DBSCAN、OPTICS和DENCLUE等。其中，OPTICS 对DBSCAN算法进行了改进，降低了对输入参数的敏感程度。DENCLUE算法综合了基于划分、基于层次的方法
DBSCAN算法
DBSCAN采用基于中心的密度定义，样本的密度通过核心对象在 ϵ 半径内的样本点个数（包括自身）来估计。
概念：直接密度可达、密度可达、密度相连
在下图中，若 MinPts = 3，则 a、b、c 和 x、y、z 都是核心对象，因为在各自的ε-邻域中，都至少包含3个对象。
对象c是从对象b直接密度可达的
对象b是从对象a直接密度可达的
则对象c是从对象a密度可达的
对象y是从对象x密度可达的
对象z是从对象x密度可达的
则对象y和z是密度相连的
DBSCAN可以用于对任意形状的稠密数据集进行聚类，DBSCAN算法对输入顺序不敏感。
DBSCAN
能够在聚类的过程中发现数据集中的噪声点，且算法本身对噪声不敏感。当数据集分布为非球型时，使用
DBSCAN
算法效果较好
DBSCAN
算法要对数据集中的每个对象进行邻域检查，当数据集较大时， 聚类收敛时间长，需要较大的内存支持，
I/O
消耗也很大
此时可以采用
KD
树或球树对算法进行改进，快速搜索最近邻，帮助算法快速收敛。此外，当空间聚类的密度不均匀，聚类间距离相差很大时，聚类的质量较差
DBSCAN
算法的聚类结果受到邻域参数
(
ε
,
MinPts
)
的影响较大，不同的输入参数对聚类结果有很大的影响，邻域参数也需要人工输入，调参时需要对两个参数联合调参，比较复杂
![[附源码]SSM计算机毕业设计电子病历信息管理系统JAVA](https://img-blog.csdnimg.cn/ef1a6f7297e94e8ba0c7f955cb57666a.png)
![[附源码]java毕业设计四六级考试管理系统](https://img-blog.csdnimg.cn/8bd26e21ce9f4b1f96b83f4f545fcba8.png)
