基于密度的带噪声应用程序空间聚类（DBSCAN）
基于Kd-tree最近邻居搜索的快速dbscan算法
调用方式：
double eps = 0.02 ; // radius of searching
int minPts = 1 ; // minimus points number
Dbscan dbscan = new Dbscan (eps, minPts);
List instances = new LinkedList ();
instances . add( new Instance ( new double [] { 120.1 , 30.2 }, new Object [] { 1 , 2 , 3 }));
instances . add( new I
2021-11-18 09:20:25
34KB
1
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，
2021-10-15 16:31:33
2KB
1
DBSCAN算法需要人为确定[Eps]和[minPts]两个参数，导致聚类结果的准确度直接取决于用户对参数的选择，因此提出一种新的参数确定方法，采用非参数核密度估计理论分析数据样本的分布特征来自动确定[Eps]和[minPts]参数，避免了聚类过程的人工干预，实现聚类过程的自动化。理论分析和实验结果表明，该方法能够选择合理的[Eps]和[minPts]参数，并得到了较高准确度的聚类结果。
2021-09-26 20:03:40
510KB
1
传统DBSCAN算法需要人为确定Eps和MinPts参数,参数的选择直接决定了聚类结果的合理性,因此提出一种新的自适应确定DBSCAN算法参数算法,该算法基于参数寻优策略,通过利用数据集自身分布特性生成候选Eps和MinPts参数,自动寻找聚类结果的簇数变化稳定区间,并将该区间中密度阈值最少时所对应的Eps和MinPts参数作为最优参数。实验结果表明,该算法能够实现聚类过程的全自动化并且能够选择合理的Eps和MinPts参数,得到了高准确度聚类结果。
2021-09-26 20:01:49
7MB
1
python演示dbscan算法如何实现，老外的Python代码，有些看不懂啊，文件不多，源码包中包括了测试数据，想对dbscan算法有一个大致了解的可下载本源码。
2021-09-06 15:57:22
21KB
1