- 機器學習基礎
- ML - 首頁
- ML - 簡介
- ML - 入門
- ML - 基本概念
- ML - 生態系統
- ML - Python 庫
- ML - 應用
- ML - 生命週期
- ML - 必備技能
- ML - 實現
- ML - 挑戰與常見問題
- ML - 限制
- ML - 現實生活中的例子
- ML - 資料結構
- ML - 數學
- ML - 人工智慧
- ML - 神經網路
- ML - 深度學習
- ML - 獲取資料集
- ML - 分類資料
- ML - 資料載入
- ML - 資料理解
- ML - 資料準備
- ML - 模型
- ML - 監督學習
- ML - 無監督學習
- ML - 半監督學習
- ML - 強化學習
- ML - 監督學習與無監督學習
- 機器學習資料視覺化
- ML - 資料視覺化
- ML - 直方圖
- ML - 密度圖
- ML - 箱線圖
- ML - 相關矩陣圖
- ML - 散點矩陣圖
- 機器學習統計學
- ML - 統計學
- ML - 均值、中位數、眾數
- ML - 標準差
- ML - 百分位數
- ML - 資料分佈
- ML - 偏度和峰度
- ML - 偏差和方差
- ML - 假設
- 機器學習中的迴歸分析
- ML - 迴歸分析
- ML - 線性迴歸
- ML - 簡單線性迴歸
- ML - 多元線性迴歸
- ML - 多項式迴歸
- 機器學習中的分類演算法
- ML - 分類演算法
- ML - 邏輯迴歸
- ML - K近鄰演算法 (KNN)
- ML - 樸素貝葉斯演算法
- ML - 決策樹演算法
- ML - 支援向量機
- ML - 隨機森林
- ML - 混淆矩陣
- ML - 隨機梯度下降
- 機器學習中的聚類演算法
- ML - 聚類演算法
- ML - 基於中心點的聚類
- ML - K均值聚類
- ML - K中心點聚類
- ML - 均值漂移聚類
- ML - 層次聚類
- ML - 基於密度的聚類
- ML - DBSCAN 聚類
- ML - OPTICS 聚類
- ML - HDBSCAN 聚類
- ML - BIRCH 聚類
- ML - 親和傳播
- ML - 基於分佈的聚類
- ML - 凝聚層次聚類
- 機器學習中的降維
- ML - 降維
- ML - 特徵選擇
- ML - 特徵提取
- ML - 向後剔除法
- ML - 向前特徵構建
- ML - 高相關性過濾器
- ML - 低方差過濾器
- ML - 缺失值比率
- ML - 主成分分析
- 強化學習
- ML - 強化學習演算法
- ML - 利用與探索
- ML - Q學習
- ML - REINFORCE 演算法
- ML - SARSA 強化學習
- ML - 演員-評論家方法
- 深度強化學習
- ML - 深度強化學習
- 量子機器學習
- ML - 量子機器學習
- ML - 使用 Python 的量子機器學習
- 機器學習雜項
- ML - 效能指標
- ML - 自動工作流程
- ML - 提升模型效能
- ML - 梯度提升
- ML - 自舉匯聚 (Bagging)
- ML - 交叉驗證
- ML - AUC-ROC 曲線
- ML - 網格搜尋
- ML - 資料縮放
- ML - 訓練和測試
- ML - 關聯規則
- ML - Apriori 演算法
- ML - 高斯判別分析
- ML - 成本函式
- ML - 貝葉斯定理
- ML - 精度和召回率
- ML - 對抗性
- ML - 堆疊
- ML - 時期
- ML - 感知器
- ML - 正則化
- ML - 過擬合
- ML - P值
- ML - 熵
- ML - MLOps
- ML - 資料洩漏
- ML - 機器學習的盈利模式
- ML - 資料型別
- 機器學習 - 資源
- ML - 快速指南
- ML - 速查表
- ML - 面試問題
- ML - 有用資源
- ML - 討論
機器學習 - 基於密度的聚類
基於密度的聚類是基於這樣一個想法：聚類是高密度區域，由低密度區域隔開。
該演算法首先識別“核心”資料點，這些資料點是在指定距離內具有最小鄰居數的資料點。這些核心資料點形成了一個聚類的中心。
接下來，該演算法識別“邊界”資料點，這些資料點不是核心資料點，但至少有一個核心資料點作為鄰居。
最後，該演算法識別“噪聲”資料點，這些資料點既不是核心資料點也不是邊界資料點。
流行的基於密度的聚類演算法
以下是最常見的基於密度的聚類演算法：
DBSCAN 聚類
DBSCAN（具有噪聲的應用的空間聚類密度基礎）演算法是最常見的基於密度的聚類演算法之一。DBSCAN 演算法需要兩個引數：最小鄰居數 (minPts) 和核心資料點之間的最大距離 (eps)。
OPTICS 聚類
OPTICS（排序點以識別聚類結構）是一種基於密度的聚類演算法，它透過構建資料集的可達性圖來執行。可達性圖是有向圖，它將每個資料點與其在指定距離閾值內的最近鄰居連線起來。可達性圖中的邊根據連線的資料點之間的距離加權。然後，該演算法透過根據指定的密度閾值遞迴地將可達性圖拆分為聚類來構建層次聚類結構。
HDBSCAN 聚類
HDBSCAN（具有噪聲的應用的空間聚類密度基礎的層次）是一種基於密度聚類的聚類演算法。它是一種較新的演算法，建立在流行的 DBSCAN 演算法之上，並提供了幾個優點，例如更好地處理不同密度的聚類以及檢測不同形狀和大小的聚類的能力。
在接下來的三章中，我們將詳細討論所有三種基於密度的聚類演算法，以及它們在 Python 中的實現。
廣告