r語言中DBSCAN算法的實現是怎樣的

r語言中DBSCAN算法的實現是怎樣的，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

DBSCAN（Density-BasedSpatial Clustering of Applications with Noise），一種基于密度的聚類方法，即找到被低密度區域分離的稠密區域，要求聚類空間中的一定區域內所包含對象（點或其他空間對象）的數目不小于某一給定閾值。

一、兩個參數。

1，距離參數（Eps）

2，鄰域內點最少個數（MinPts）

二、根據基于中心的密度進行點分類。

密度的基于中心的方法使得點分為三類：

1，  核心點。稠密區域內部的點。該點以Eps為半徑的區域內點的個數不少于MinPts（包括自身）。

2，  邊界點。稠密區邊緣上的點，不是核心點，但在某個或多個核心點鄰域內。

3，  噪聲點。稀疏區域中的點，既非核心點也非邊界點。

4，  密度可達。如果點p在核心點q的Eps鄰域內，則稱p是從q出發可以直接密度可達。如果存在點鏈p1,p2, …, pn，p1=q，pn=p，pi+1是從pi直接密度可達，則稱點p是從q關于r和M密度可達的，密度可達是單向的。

• 算法流程

從某點出發，將密度可達的點聚為一類，不斷進行區域擴張，直至所有點都被訪問。

• R語言實現
  

在R中實現DBSCAN聚類，可以使用fpc包中的dbscan()函數。在下面的例子中，我們使用factoextra包中的數據集multishapes進行演示。

如下可查看聚類后的結果：

具體每個樣本點的分類結果，可用db$cluster查看，其中0表示噪聲點，如下隨機顯示50個點的分類結果：

• 選擇最優的Eps值

  
  

  
  

方法為計算每個點到其最近鄰的k個點的平均距離。k的取值根據MinPts由用戶指定。R語言中，使用dbscan包中的kNNdistplot（）函數進行計算。

由圖可知，拐點處基本在0.15左右，因此可以認為最優Eps值在0.15左右。

• 自定義距離公式

dbscan()函數中計算距離公式為歐式距離，在一些特定的場合無法使用，比如要計算地圖上兩點的距離，就要應用特定的計算地圖上兩點的距離公式。

R里面的很多函數都是開源的，因此，直接運行fpc::dbscan可以看到此函數的原程序。我們用geosphere包中的distm()函數對原程序中的距離計算公式進行修改，實現地圖上兩點距離的計算。

將原程序中的distcomb函數改為如下形式：

將修改過的dbscan函數重新命名為disdbscan，重新將數據進行聚類：

• DBSCAN優缺點

優點：

（1）聚類速度快，且能夠有效處理噪聲點。

（2）能發現任意形狀的空間聚類。

（3）聚類結果幾乎不依賴于點遍歷順序。

（4）不需要輸入要劃分的聚類個數。

缺點：

（1）當數據量增大時，要求較大的內存支持I/O消耗也很大；

（2）當空間聚類的密度不均勻、聚類間距差相差很大時，聚類質量較差。

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。