前文為JoyT的科研之旅第一周——科研工具學(xué)習(xí)及論文閱讀收獲-CSDN博客

DBSCAN 介紹

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一種基于密度的聚類算法，它能夠識別出任意形狀的簇，并有效地處理噪聲點。DBSCAN 不需要事先指定聚類的數(shù)量，這是其與許多其他聚類算法（如 K-means）的一個主要區(qū)別。?

DBSCAN 基本原理

1. 核心點：如果一個點的 ? 鄰域內(nèi)至少有 min_samples 個點（包括點本身），則此點被認(rèn)為是一個核心點。

2. 邊界點和噪聲點：距離核心點不遠(yuǎn)（在 ? 范圍內(nèi)），但自身不滿足核心點條件的點被視為邊界點。不屬于核心點或邊界點的點被視為噪聲點。

3. 聚類形成：通過連接在 ? 范圍內(nèi)互相可達(dá)的核心點，形成聚類。邊界點會被歸入其所連接的核心點所在的聚類，而噪聲點不被歸入任何聚類。

代碼分析

取前文代碼的DBSCAN部分進(jìn)行介紹：

# DBSCAN去噪
epsilon = 0.3  # DBSCAN的半徑參數(shù)
min_samples = 3  # DBSCAN的最小樣本數(shù)參數(shù)（MinPts）
dbscan = DBSCAN(eps=epsilon, min_samples=min_samples)
clusters = dbscan.fit_predict(np.column_stack((filtered_longitudes, filtered_latitudes)))# 去除噪聲點
denoised_longitudes = filtered_longitudes[clusters != -1]
denoised_latitudes = filtered_latitudes[clusters != -1]
denoised_timestamps = filtered_timestamps[clusters != -1]

代碼中的 DBSCAN 工作流程

1. 參數(shù)設(shè)置（與前文呼應(yīng)，加入KDC能夠使得參數(shù)個數(shù)為1）：

   • epsilon（eps）: 定義了鄰域的半徑大小。在這個范圍內(nèi)的點被認(rèn)為是鄰近的。
   • min_samples: 定義了一個點成為核心點所需的最小鄰居數(shù)目。

2. DBSCAN 實例化和擬合：

   • 創(chuàng)建 DBSCAN 對象，使用上述參數(shù)。
   • 該對象調(diào)用?fit_predict 方法對數(shù)據(jù)進(jìn)行聚類，數(shù)據(jù)由經(jīng)緯度構(gòu)成（filtered_longitudes, filtered_latitudes）。

3. 噪聲點的處理：

   • fit_predict 方法返回的 clusters 數(shù)組為每個點指定了一個聚類標(biāo)簽。噪聲點被標(biāo)記為 -1。
   • 通過檢查 clusters != -1 來篩選出非噪聲點，即那些屬于某個聚類的點。

4. 結(jié)果可視化：

   • 在散點圖中繪制去噪后的數(shù)據(jù)。這些點是 DBSCAN 確定為屬于某個聚類的點。

結(jié)論

在代碼中，DBSCAN 被用來識別和移除噪聲點，只保留那些被歸為某個聚類的點。這種方法特別適合于處理包含噪聲和具有不規(guī)則形狀簇的數(shù)據(jù)，是一種強大且靈活的聚類工具。