- 机器学习基础
- ML - 首页
- ML - 简介
- ML - 入门
- ML - 基本概念
- ML - 生态系统
- ML - Python 库
- ML - 应用
- ML - 生命周期
- ML - 必备技能
- ML - 实现
- ML - 挑战与常见问题
- ML - 限制
- ML - 现实生活中的例子
- ML - 数据结构
- ML - 数学
- ML - 人工智能
- ML - 神经网络
- ML - 深度学习
- ML - 获取数据集
- ML - 分类数据
- ML - 数据加载
- ML - 数据理解
- ML - 数据准备
- ML - 模型
- ML - 监督学习
- ML - 无监督学习
- ML - 半监督学习
- ML - 强化学习
- ML - 监督学习与无监督学习
- 机器学习数据可视化
- ML - 数据可视化
- ML - 直方图
- ML - 密度图
- ML - 箱线图
- ML - 相关矩阵图
- ML - 散点矩阵图
- 机器学习统计学
- ML - 统计学
- ML - 均值、中位数、众数
- ML - 标准差
- ML - 百分位数
- ML - 数据分布
- ML - 偏度和峰度
- ML - 偏差和方差
- ML - 假设
- 机器学习中的回归分析
- ML - 回归分析
- ML - 线性回归
- ML - 简单线性回归
- ML - 多元线性回归
- ML - 多项式回归
- 机器学习中的分类算法
- ML - 分类算法
- ML - 逻辑回归
- ML - K近邻算法 (KNN)
- ML - 朴素贝叶斯算法
- ML - 决策树算法
- ML - 支持向量机
- ML - 随机森林
- ML - 混淆矩阵
- ML - 随机梯度下降
- 机器学习中的聚类算法
- ML - 聚类算法
- ML - 基于中心点的聚类
- ML - K均值聚类
- ML - K中心点聚类
- ML - 均值漂移聚类
- ML - 层次聚类
- ML - 基于密度的聚类
- ML - DBSCAN 聚类
- ML - OPTICS 聚类
- ML - HDBSCAN 聚类
- ML - BIRCH 聚类
- ML - 亲和传播
- ML - 基于分布的聚类
- ML - 凝聚层次聚类
- 机器学习中的降维
- ML - 降维
- ML - 特征选择
- ML - 特征提取
- ML - 向后剔除法
- ML - 向前特征构建
- ML - 高相关性过滤器
- ML - 低方差过滤器
- ML - 缺失值比率
- ML - 主成分分析
- 强化学习
- ML - 强化学习算法
- ML - 利用与探索
- ML - Q学习
- ML - REINFORCE 算法
- ML - SARSA 强化学习
- ML - 演员-评论家方法
- 深度强化学习
- ML - 深度强化学习
- 量子机器学习
- ML - 量子机器学习
- ML - 使用 Python 的量子机器学习
- 机器学习杂项
- ML - 性能指标
- ML - 自动工作流程
- ML - 提升模型性能
- ML - 梯度提升
- ML - 自举汇聚 (Bagging)
- ML - 交叉验证
- ML - AUC-ROC 曲线
- ML - 网格搜索
- ML - 数据缩放
- ML - 训练和测试
- ML - 关联规则
- ML - Apriori 算法
- ML - 高斯判别分析
- ML - 成本函数
- ML - 贝叶斯定理
- ML - 精度和召回率
- ML - 对抗性
- ML - 堆叠
- ML - 时期
- ML - 感知器
- ML - 正则化
- ML - 过拟合
- ML - P值
- ML - 熵
- ML - MLOps
- ML - 数据泄漏
- ML - 机器学习的盈利模式
- ML - 数据类型
- 机器学习 - 资源
- ML - 快速指南
- ML - 速查表
- ML - 面试问题
- ML - 有用资源
- ML - 讨论
机器学习 - 基于密度的聚类
基于密度的聚类是基于这样一个想法：聚类是高密度区域，由低密度区域隔开。
该算法首先识别“核心”数据点，这些数据点是在指定距离内具有最小邻居数的数据点。这些核心数据点形成了一个聚类的中心。
接下来，该算法识别“边界”数据点，这些数据点不是核心数据点，但至少有一个核心数据点作为邻居。
最后，该算法识别“噪声”数据点，这些数据点既不是核心数据点也不是边界数据点。
流行的基于密度的聚类算法
以下是最常见的基于密度的聚类算法：
DBSCAN 聚类
DBSCAN（具有噪声的应用的空间聚类密度基础）算法是最常见的基于密度的聚类算法之一。DBSCAN 算法需要两个参数：最小邻居数 (minPts) 和核心数据点之间的最大距离 (eps)。
OPTICS 聚类
OPTICS（排序点以识别聚类结构）是一种基于密度的聚类算法，它通过构建数据集的可达性图来运行。可达性图是有向图，它将每个数据点与其在指定距离阈值内的最近邻居连接起来。可达性图中的边根据连接的数据点之间的距离加权。然后，该算法通过根据指定的密度阈值递归地将可达性图拆分为聚类来构建层次聚类结构。
HDBSCAN 聚类
HDBSCAN（具有噪声的应用的空间聚类密度基础的层次）是一种基于密度聚类的聚类算法。它是一种较新的算法，建立在流行的 DBSCAN 算法之上，并提供了几个优点，例如更好地处理不同密度的聚类以及检测不同形状和大小的聚类的能力。
在接下来的三章中，我们将详细讨论所有三种基于密度的聚类算法，以及它们在 Python 中的实现。
广告