【数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( K-Means 方法缺陷 | 基于密度聚类原理及概念 | ε-邻域 | 核心对象 | 直接密度可达 | 密度可达 | 密度连接 )(三)

简介: 【数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( K-Means 方法缺陷 | 基于密度聚类原理及概念 | ε-邻域 | 核心对象 | 直接密度可达 | 密度可达 | 密度连接 )(三)

IX . 密度可达


1 . 密度可达 : p pp 密度可达 q qq , 存在一个 由 核心对象 组成的链 , p pp 直接密度可达 p 1 p_1p

1


 , p 1 p_1p

1


 直接密度可达 p 2 p_2p

2


 , ⋯ \cdots⋯ , p n − 1 p_{n-1}p

n−1


 直接密度可达 p n p_np

n


 , 此时称为 p pp 密度可达 q qq ;



2 . 链 上的核心对象要求 : 链的起点 , 和经过的点 , 必须是核心对象 , 链的最后一个点 , 可以是任意对象 ;



3 . 密度可达 与 直接密度可达区别 : 密度可达 与 直接密度可达 的概念在于 是直接可达 , 还是 间接可达 ;



4 . 密度可达图示 : p pp 直接密度可达 q qq , q qq 直接密度可达 t tt , p pp 密度可达 t tt ;


image.png




X . 密度连接


1 . 密度连接 : p pp 和 q qq 两个样本 , 存在一个中间样本对象 O OO , O OO 到 p pp 是 密度可达 的 , O OO 到 q qq 是 密度可达 的 ;



2 . 密度连接方向 : O OO 可以密度连接 p pp 和 q qq 样本 , 但是 p pp 和 q qq 不一定能走到 O OO , 它们可能不是核心对象 ;



3 . 核心对象要求 : O OO 以及到 样本 p pp 或者 样本 q qq 中间的样本都必须是核心对象 , 但是 p pp 和 q qq 两个对象不要求是核心对象, 它们可以是普通的样本点 ;



4 . 密度连接图示 : 下图中 , 样本点 O OO 密度可达 p pp 和 q qq , 那么 p pp 和 q qq 是密度连接的 ; 其中 p , q p, qp,q 不是核心对象 , O , p 1 , p 2 , q 1 , q 2 O , p_1 , p_2 , q_1 , q_2O,p

1


,p

2


,q

1


,q

2


 是核心对象 ;


image.png

目录
相关文章
|
4月前
|
运维 安全 数据挖掘
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
139 0
|
4月前
|
数据可视化 数据挖掘
【数据挖掘】多项式回归原理介绍及实战应用(超详细 附源码)
【数据挖掘】多项式回归原理介绍及实战应用(超详细 附源码)
61 1
|
4月前
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】SVM原理详解及对iris数据集分类实战(超详细 附源码)
【数据挖掘】SVM原理详解及对iris数据集分类实战(超详细 附源码)
96 1
|
4月前
|
数据可视化 算法 JavaScript
【Python数据挖掘】数据可视化及数据对象的相似性度量算法详解(超详细 附源码)
【Python数据挖掘】数据可视化及数据对象的相似性度量算法详解(超详细 附源码)
79 0
|
4月前
|
编解码 算法 数据挖掘
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
46 0
|
4月前
|
算法 数据可视化 数据挖掘
【数据挖掘】密度聚类DBSCAN讲解及实战应用(图文解释 附源码)
【数据挖掘】密度聚类DBSCAN讲解及实战应用(图文解释 附源码)
144 1
|
4月前
|
数据挖掘
【数据挖掘】Lasso回归原理讲解及实战应用(超详细 附源码)
【数据挖掘】Lasso回归原理讲解及实战应用(超详细 附源码)
180 0
|
2月前
|
数据采集 算法 搜索推荐
数据挖掘实战:基于KMeans算法对超市客户进行聚类分群
数据挖掘实战:基于KMeans算法对超市客户进行聚类分群
132 0
|
4月前
|
机器学习/深度学习 自然语言处理 数据可视化
【Python百宝箱】数据科学的黄金三角:数据挖掘和聚类
【Python百宝箱】数据科学的黄金三角:数据挖掘和聚类
167 2
|
4月前
|
机器学习/深度学习 存储 编解码
【数据挖掘】网格聚类STING、概念聚类COBWEB和模糊聚类的讲解(图文解释)
【数据挖掘】网格聚类STING、概念聚类COBWEB和模糊聚类的讲解(图文解释)
92 0