推薦算法-聚類-DBSCAN

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一個比較有代表性的基于密度的聚類算法，類似于均值轉移聚類算法，但它有幾個顯著的優點。

1. DBSCAN以一個從未通路過的任意起始資料點開始。這個點的領域是用距離ε（所有在ε的點都是鄰點）來提取的。
2. 如果在這個鄰域中有足夠數量的點（根據minPoints），那麼聚類過程就開始了，并且目前的資料點成為新聚類中的第一個點。否則，該點将被标記為噪聲（稍後這個噪聲點可能會成為聚類的一部分）。在這兩種情況下，這一點都被标記為（visited）。
3. 對于新聚類中的第一個點，其ε距離附近的店也會成為同意了聚類的一部分。這一過程在ε臨近的所有點都屬于同一個聚類，然後重複所有剛剛添加到聚類組的新點。
4. 步驟2和步驟3的過程将重複，直到所有點都被确定，就是說在聚類附近的所有點都已被通路和标記。
5. 一旦我們完成了目前的聚類，就會檢索并處理一個新的未通路點，這将導緻進一步的聚類或噪聲的發現。這個過程不斷地重讀，直到所有的點被标記為通路。因為在所有的點都被通路過之後，每一個點都被标記為屬于一個聚類或者是噪聲。

DBSCAN的主要缺點是，當聚類具有不同的密度時，它的性能不像其他聚類算法那樣好。這是因為當密度變化時，距離門檻值ε和識别臨近點的minPoints的設定會随着聚類的不同而變化。這種缺點也會出現在非常高緯的資料中心，因為距離門檻值ε變得難以估計。