本文为您介绍DBSCAN聚类组件。
功能说明
DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。DBSCAN 的核心概念是 core samples, 是指位于高密度区域的样本。 DBSCAN算法将聚类视为被低密度区域分隔的高密度区域，将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。对数据进行聚类处理。
计算逻辑原理
DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。
参数说明
IN端口
参数名 | 参数描述 | 是否必填 | 输入数据类型 | 数据源类型 |
特征变量 | 配置算法的特征变量。 | 是 | 整数或浮点数 说明 若存在非数值数据，则会抛出异常。 |
|
OUT端口
参数名 | 参数描述 | 输出数据类型 |
输出 | 聚类完成后输出具体的聚类类别“label”。 | 整型 |
其他参数
参数名 | 参数描述 | 是否必填 | 参数默认值 | 参数范围 |
邻域的距离阈值 | ϵ-邻域的距离阈值，和样本距离超过ϵ的样本点不在ϵ-邻域内。默认值是0.5，一般需要通过在多组值里面选择一个合适的阈值。阈值过大，则更多的点会落在核心对象的ϵ-邻域，此时我们的类别数可能会减少， 本来不应该是一类的样本也会被划为一类。反之则类别数可能会增大，本来是一类的样本却被划分开。 | 是 | 0.5 | [0,99999999] |
核心点邻域最小样本数 | 样本点要成为核心对象所需要的ϵ-邻域的样本数最小值。默认值是5， 一般需要通过在多组值里面选择一个合适的阈值。通常和邻域的距离阈值一起调参。在“距离阈值”一定的情况下，“最小样本数”过大，则核心对象会过少，此时簇内部分本来是一类的样本可能会被标为噪音点，类别数也会变多。反之“最小样本数”过小的话，则会产生大量的核心对象，可能会导致类别数过少。 | 是 | 5 | [1,99999999] |
寻找最近样本的算法 | 自动：根据样本数据自动筛选合适的算法。 球树：构建“球树”算法模型。 KD树：“KD树”算法。 暴力搜索 ：使用蛮力搜索，需遍历所有样本数据与目标数据的距离，进而按升序排序从而选取最近的K个值，采用投票得出结果。 | 是 | 自动 |
|
聚类效果 | 聚类效果展示当前数据聚类处理后的效果。可在组件运行成功后查看。 “CH分数（即Calinski-Harabasz指标）”和“轮廓系数”反应聚类效果，值越大，说明聚类效果越好。可参考其结果调整组件参数配置，使聚类结果达到最优。 | 否 | 无 | 无 |