聚类是无监督机器学习中的一种技术，它根据数据集中的数据点的可用信息的相似性，将数据点归入聚类。属于同一聚类的数据点在某些方面是相似的，而属于不同聚类的数据项是不相似的。K-means和DBScan(基于密度的带噪声的空间聚类应用)是无监督机器学习中最流行的两种聚类算法。

1. K-means聚类:
K-means是一种基于中心点或分区的聚类算法。该算法将样本空间中的所有点划分为K个相似性组。相似性通常用欧几里得距离(Euclidian Distance)来衡量。

该算法如下：

  • 随机放置K个中心点，每个群组一个。
  • 计算每个点与每个中心点的距离
  • 每个数据点被分配到其最近的中心点，形成一个聚类。
  • K个中心点的位置被重新计算。

2. DBScan聚类法
DBScan是一种基于密度的聚类算法。这个算法的关键事实是，集群中每个点的邻域在给定的半径(R)内，必须有最小的点数(M)。这种算法在检测异常值和处理噪声方面被证明是非常有效的。

该算法如下:

  • 每个点的类型被确定。在我们的数据集中，每个数据点可能是以下两种情况之一。
  • 核心点。如果一个数据点是一个核心点，那么在它的附近至少有M个点，即在指定的半径(R)内。
  • 边界点。一个数据点被归类为边界点，如果:
    • 它的邻域包含少于M个数据点，或
    • 它可以从某个核心点到达，即它与某个核心点的距离在R范围内。
  • 离群点。离群点是指一个不属于核心点的点，同时也不是足够接近核心点的点。
  • 离群点被消除。
  • 作为邻居的核心点被连接起来，并被放在同一个集群中。
  • 边界点被分配到每个群组。

K-means和DBScan之间有一些明显的区别 –

编号 K-means聚类 DBScan聚类
1 形成的聚类或多或少都是球形或凸形的，并且必须具有相同的特征大小。 形成的聚类在形状上是任意的，可能没有相同的特征大小。
2 K-均值聚类对指定的聚类数量很敏感。 聚类的数量不需要指定。
3 K-means聚类对大数据集来说更有效。 DBSCan聚类法不能有效处理高维数据集。
4 K-means聚类对离群值和噪声数据集的处理效果不佳。 DBScan聚类能有效地处理离群值和噪声数据集。
5 在异常检测领域，这种算法会产生问题，因为异常点会被分配到与 “正常 “数据点相同的聚类。 DBScan算法可以定位高密度的区域，这些区域被低密度的区域彼此分开。
6 K-means聚类需要一个参数：聚类的数量(K)。 DBScan聚类需要两个参数。半径(R)和最小点数(M)，R决定了一个选定的半径，如果它包括足够多的点，它就是一个密集区。M决定一个邻域被定义为集群所需的最小数据点数量。
7 数据点的密度不同并不影响K-means聚类算法。 DBScan聚类对于稀疏的数据集或密度不同的数据点来说效果并不好。