python实现DBSCAN算法

原创

于 2021-05-20 16:51:00 发布 · 476 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习 #人工智能 #算法

该博客详细介绍了如何使用Python实现DBSCAN算法，从导入相关依赖到计算欧氏距离，确定中心点和非中心点，再到遍历聚集，最终识别离群点。通过生成同心圆随机数据进行测试并绘制结果，展示了DBSCAN算法的运行效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关于这个算法的介绍有很多方式

先上结果

在这里插入图片描述

大致流程

先根据给定的半径 r 确定中心点，也就是这类点在半径r内包含的点数量 n 大于我们的要求（n>=minPionts）
然后遍历所有的中心点，将互相可通达的中心点与其包括的点分为一组
全部分完组之后，没有被纳入任何一组的点就是离群点啦！

导入相关依赖

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

求点跟点之间距离（欧氏距离）

def cuircl(pointA,pointB):
    distance = np.sqrt(np.sum(np.power(pointA - pointB,2)))
    return distance

求临时簇，即确定所有的中心点，非中心点

def firstCluster(dataSets,r,include):
    cluster = []
    m = np.shape(dataSets)[0]
    ungrouped = np.array([i for i in range (m)])
    for i in range (m):
        tempCluster = []
        #第一位存储中心点簇
        tempCluster.append(i)
        for j in range (m):
            if (cuircl(dataSets[i,:],dataSets[j,:]