DBSCAN 论文笔记-理解

2024-04-28 06:18
文章标签 笔记 理解 论文 dbscan

本文主要是介绍DBSCAN 论文笔记-理解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文: 点击这里下载DBSCAN论文原文

论文翻译:-.-

理解参考:

  • 论文/算法的理解
    https://www.cnblogs.com/pinard/p/6208966.html
    http://blog.csdn.net/Exupery_/article/details/76181272
  • Python sklearn.cluster.DBSCAN的理解使用
    http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html
    http://scikit-learn.org/stable/auto_examples/cluster/plot_dbscan.html#sphx-glr-auto-examples-cluster-plot-dbscan-py
    http://www.jianshu.com/p/b004861105f4
    https://www.cnblogs.com/pinard/p/6217852.html
    http://blog.csdn.net/garfielder007/article/details/50757111

核心技术:

  • 密度聚类原理
    DBSCAN是一种基于密度的聚类算法(density-based clustering),此类算法假设聚类结构能够通过样本分布的紧密程度确定.通常情况下,密度聚类算法从样本的密度的角度来考察样本之间的可连接性,并基于可连接样本不断扩展聚类簇以获得最终的聚类结果.
  • DBSCAN中的一些定义
    DBSCAN基于一组”邻域”(neigh-borhood)参数( ϵ ϵ , MinPts)来刻画样本分布的紧密程度,给定数据集 D=x1,x2,.....xm D = x 1 , x 2 , . . . . . x m ,定义一下几个概念:

2)核心对象(Core Object):若 xj x j ϵ ϵ -邻域至少包含MinPts个样本,即 |Nϵ(xj)|MinPts | N ϵ ( x j ) | ≥ M i n P t s ,则 xj x j 是一个核心对象;

3)密度直达(directly density-reachable):若 xj x j 位于 xi x i ϵ ϵ -邻域中,且 xi x i 是核心对象,则称 xj x j xi x i 密度直达.

4)密度可达(density-reachable):对 xi x i xj x j ,若存在样本序列 p1,p2,...pn p 1 , p 2 , . . . p n ,其中 p1=xi,pn=xj p 1 = x i , p n = x j pi+1 p i + 1 pi p i 密度直达,则称 xj x j xi x i 密度可达;

5)密度相连(density-connected):对于 xi x i xj x j ,如果存在 xk x k 使得 xi x i xj x j 均由 xk x k 密度可达,则称 xi x i xj x j 密度相连;

6)簇(cluster):一个具有参数( ϵ ϵ , MinPts)的簇 C C 是满足如下条件的一个D的非空子集:
i) p,q : if pC p ∈ C and q is density-reachable from p p (ϵ, MinPts) , then qC q ∈ C (Maximality)
ii) p,qC ∀ p , q ∈ C : p p is density-connected to q ( ϵ ϵ , MinPts).(Connectivity)

7)噪声点(noise): Let C1,C2,....Ck C 1 , C 2 , . . . . C k be the clusters of the database D ( ϵi ϵ i , MinPts_i,i=1,2…k). Then we define the noise as the set of points in the database D D not belonging to any cluster Ci i.e. noise = { pD|i:pCi p ∈ D | ∀ i : p ∉ C i }

8)核心点:在半径Eps内含有超过MinPts数目的点。
边界点:在半径Eps内点的数目小于MinPts,但是落在核心点的临域内。
噪音点:既不是核心点也不是边界点的点。

概念的直观展示(来自周志华老师<机器学习>一书,p212,图9.8)
这里写图片描述
- 算法流程
1)将所有点标记为核心点、边界点或噪声点。
2)删除噪声点。
3)为距离在Eps之内的所有核心点之间赋予一条边。
4)每组连通的核心点形成一个簇。
5)将每个边界点指派到一个与之关联的核心点的簇中(哪一个核心点的半径范围之内)。
伪代码如下(来自周志华老师的<机器学习>一书,p213,图9.9):
这里写图片描述

突出贡献:
可以根据自己的需要进行参数的调节从而达到自己需要的聚类效果.
聚类的时候不需要预先指定簇的个数。
最终的簇的个数不定。

这篇关于DBSCAN 论文笔记-理解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/942486

相关文章

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

【C++高阶】C++类型转换全攻略:深入理解并高效应用

📝个人主页🌹:Eternity._ ⏩收录专栏⏪:C++ “ 登神长阶 ” 🤡往期回顾🤡:C++ 智能指针 🌹🌹期待您的关注 🌹🌹 ❀C++的类型转换 📒1. C语言中的类型转换📚2. C++强制类型转换⛰️static_cast🌞reinterpret_cast⭐const_cast🍁dynamic_cast 📜3. C++强制类型转换的原因📝

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

深入理解RxJava:响应式编程的现代方式

在当今的软件开发世界中,异步编程和事件驱动的架构变得越来越重要。RxJava,作为响应式编程(Reactive Programming)的一个流行库,为Java和Android开发者提供了一种强大的方式来处理异步任务和事件流。本文将深入探讨RxJava的核心概念、优势以及如何在实际项目中应用它。 文章目录 💯 什么是RxJava?💯 响应式编程的优势💯 RxJava的核心概念

如何通俗理解注意力机制?

1、注意力机制(Attention Mechanism)是机器学习和深度学习中一种模拟人类注意力的方法,用于提高模型在处理大量信息时的效率和效果。通俗地理解,它就像是在一堆信息中找到最重要的部分,把注意力集中在这些关键点上,从而更好地完成任务。以下是几个简单的比喻来帮助理解注意力机制: 2、寻找重点:想象一下,你在阅读一篇文章的时候,有些段落特别重要,你会特别注意这些段落,反复阅读,而对其他部分

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear