Machine Learning 简明教程
Machine Learning - Density-Based Clustering
基于密度的聚类基于这样的思想：聚类是高密度区域，由低密度区域隔开。
-
此算法通过首先识别“核心”数据点来运作，这些数据点是在指定距离内具有最小数量邻居的数据点。这些核心数据点构成了聚类的中心。
-
接下来，此算法识别“边界”数据点，这些数据点不是核心数据点，但至少有一个核心数据点作为邻居。
-
最后，此算法识别“噪声”数据点，这些数据点不是核心数据点或边界数据点。
Popular Density-based Clustering Algorithms
以下是最常见的基于密度的聚类算法——
DBSCAN Clustering
DBSCAN （基于密度的噪声应用空间聚类）算法是最常见的基于密度的聚类算法之一。DBSCAN算法需要两个参数：最小邻居数（minPts）和核心数据点之间的最大距离（eps）。
OPTICS Clustering
OPTICS （对点进行排序以识别聚类结构）是一种基于密度的聚类算法，通过建立数据集的可达性图来进行操作。可达性图是有向图，它将数据点连接到指定距离阈值内的最近邻居。可达性图中的边根据连接数据点之间的距离进行加权。然后该算法基于指定的密度阈值，通过递归分割可达性图将可达性图构造为分层的聚类结构。
HDBSCAN Clustering
HDBSCAN （分层基于密度的噪声应用空间聚类）是基于密度聚类的聚类算法。这是一种较新的算法，它建立在流行的DBSCAN算法之上，并具有许多优势，例如更好地处理不同密度的聚类，以及检测不同形状和大小的聚类的能力。
在接下来的三章中，我们将详细讨论这三个基于密度的聚类算法，以及它们在Python中的实现。