R 编程中的 DBScan 聚类

基于密度的噪声应用聚类（DBScan）是一种无监督学习非线性算法。它确实使用了密度可达性和密度连通性的概念。数据被划分为具有相似特征或集群的组，但不需要提前指定这些组的数量。簇被定义为密集连接点的最大集合。它在带有噪声的空间数据库中发现任意形状的集群。

理论

在 DBScan 聚类中，对维度的距离曲线的依赖性更大。算法如下：

1. 随机选择一个点p 。
2. 根据邻域的最大半径（EPS）和 eps 邻域内的最小点数（Min Pts），检索从 p 密度可达的所有点。
3. 如果邻域中的点数大于 Min Pts，则 p 是核心点。
4. 对于 p 个核心点，形成一个簇。如果 p 不是核心点，则将其标记为噪声/异常值并移动到下一个点。
5. 继续该过程，直到处理完所有点。

DBScan 集群对顺序不敏感。

数据集

Iris数据集由来自 3 种鸢尾花（Iris setosa、Iris virginica、Iris versicolor）中的每一种的 50 个样本和英国统计学家和生物学家 Ronald Fisher 在其 1936 年论文 The use of multiple measurement in taxonomic questions 中引入的多元数据集组成。从每个样本中测量了四个特征，即萼片和花瓣的长度和宽度，基于这四个特征的组合，Fisher 开发了一个线性判别模型来区分物种。

# Loading data
data(iris)
   
# Structure 
str(iris)

对数据集执行 DBScan

在包括 11 个人和 6 个变量或属性的数据集上使用 DBScan 聚类算法

# Installing Packages
install.packages("fpc")
  
# Loading package
library(fpc)
  
# Remove label form dataset
iris_1 <- iris[-5]
  
# Fitting DBScan clustering Model 
# to training dataset
set.seed(220)  # Setting seed
Dbscan_cl <- dbscan(iris_1, eps = 0.45, MinPts = 5)
Dbscan_cl
  
# Checking cluster
Dbscan_cl$cluster
  
# Table
table(Dbscan_cl$cluster, iris$Species)
  
# Plotting Cluster
plot(Dbscan_cl, iris_1, main = "DBScan")
plot(Dbscan_cl, iris_1, main = "Petal Width vs Sepal Length")

输出：

• 模型 dbscan_cl：

  

  在模型中，有 150 个点，最小点数为 5，eps 为 0.5。

• 集群识别：

  

  显示了模型中的集群。

• 绘制集群：
  

  DBScan 簇用 Sepal.Length、Sepal.Width、Petal.Length、Petal.Width 绘制。

  

  该图绘制在 Petal.Width 和 Sepal.Length 之间。

因此，DBScan 聚类算法还可以形成不寻常的形状，这对于在行业中寻找非线性形状的集群很有用。