机器学习：密度聚类-DBSCAN算法简介（附代码实现）

密度聚类假设聚类结构能通过样本分布的紧密程度确定。

DBSCAN（Density-Based Spacial Clustering of Application with Noise）就是一种著名的密度聚类算法，它用一组参数（,MinPts）来刻画样本分布的紧密程度。先定义下面的一些概念：

-邻域：对，其-邻域包含样本集D中与的距离不大于的样本，即；

核心对象：若的-邻域至少包含MinPts个样本，即，则是一个核心对象；

密度直达：若位于的-邻域中，且是核心对象，则称由密度直达；

密度可达：对和，若存在样本序列，其中且由密度直达，则称由密度可达；

密度相连：对和，若存在使得与均由密度可达，则称与密度相连。

上述概念的直观显示：

DBSCAN将“簇”定义为：由密度可达关系导出的最大的密度相连样本集合，给定参数（,MinPts），簇CD是满足以下性质的非空样本子集：

1. 连接性：密度相连
2. 最大性：，由密度可达

另外，D中可能存在不属于任何簇的样本，这样的样本被认为是噪声或异常样本。

如何从数据集D中找到满足以上性质的聚类簇呢？不难证明，若x为核心对象，由x密度可达的所有样本组成的集合X = {x'D|x'由x密度可达}就是满足连接性和最大性的簇。

算法描述如下：

python代码实现：

import numpy as np
epsilon = 0.11
minpts = 5
x = np.load("watermalon4.0.npy")
#epsilon邻域统计表
t = [set() for i in range(30)]
#聚类簇
clusters = []
#核心对象集
coreset = set()
for i in range(len(x)):
    t[i].add(i)
    for j in range(i+1,len(x)):
        #欧式距离
        dist = np.linalg.norm(x[i] - x[j])
        if dist <= epsilon:
            #记录epsilon邻域信息
            t[i].add(j)
            t[j].add(i)
for i in range(len(t)):
    if len(t[i]) >= minpts:
        #核心对象集
        coreset.add(i)
allset = {i for i in range(len(x))}
while len(coreset) > 0:
    #浅拷贝（拷贝第一层，这里没影响）
    oldset = allset.copy();
    corepoint = coreset.pop()
    q = [corepoint]
    allset -= {corepoint}
    while len(q) > 0:
        item = q.pop(0)
        if len(t[item]) >= minpts:
            #交集
            delta = t[item] & allset
            q += [i for i in delta]
            allset -= delta
    #新的聚类簇
    newcluster = oldset - allset
    clusters.append(newcluster)
    coreset -= newcluster
print(clusters)

参考资料：周志华《机器学习》