人工智能——DBSCAN密度聚类(1)，计算机专业必看_dbsacn算法

• 边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内

• 噪音点：既不是核心点也不是边界点的点

2 DBSCAN算法流程

---

2.1 DBSCAN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）。

2.2 举例

有如下13个样本点，使用DBSCAN进行聚类：

（1）取Eps=3，MinPts=3，依据DBSACN对所有点进行聚类（曼哈顿距离）。

（2）• 对每个点计算其邻域Eps=3内的点的集合。

• 集合内点的个数超过MinPts=3的点为核心点

• 查看剩余点是否在核心点的邻域内，若在，则为边界点，否则为噪声点。

（3）将距离不超过Eps=3的点相互连接，构成一个簇，核心点邻域内的点也会被加入到这个簇中。 则下侧形成3个簇。

3 案例1（Python实现 ）

---

3.1 案例

数据介绍：

现有大学校园网的日志数据，290条大学生的校园网使用情况数据，数据包

括用户ID，设备的MAC地址，IP地址，开始上网时间，停止上网时间，上

网时长，校园网套餐等。利用已有数据，分析学生上网的模式。

实验目的：

<