使用DBSCAN划分moon数据集_使用dbscan算法对moons数据集聚类,改变ε和min_points n*n次,每次聚类结果在对

使用DBSCAN可以对moon数据集进行很好的划分

前文提到，使用kmeans聚类算法时，由于kmeans无法识别非球形簇，对moon数据集的两个半月牙簇进行划分的结果很滑稽，但是另一个聚类算法——DBSCAN成功地解决了这个问题。
DBSCAN有两个重要的参数，eps和min_samples，eps有“点与点之间接近程度”的含义，eps设置的过小意味着没有点是核心样本点（可以理解为，eps过小，从某个随机的点出发，其eps半径内没有其他可以到达的点）；min_samples代表着划分出来的簇中最少的样本点个数，如果个数低于这个参数，那么整个簇会被视为噪声。

DBSCAN的局限及DBSCAN的聚类结果

DBSCAN的局限与凝聚聚类一样，都是无法预测新的样本点。但是K-Means可以。

from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons

X, y = make_moons(n_samples=200, noise=0.05, random_state=0)

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler
1
2
3
4
5
6