職位描述：

工作職責(zé)：

基于海量游戲數(shù)據(jù)，設(shè)計并實現(xiàn)推薦算法，為用戶提供全面的游戲資訊服務(wù)；

研發(fā)適合在游戲資訊推薦系統(tǒng)中應(yīng)用的機(jī)器學(xué)習(xí)算法和工具，參與推薦系統(tǒng)的開發(fā)與優(yōu)化；

協(xié)助游戲資訊推薦類產(chǎn)品優(yōu)化，為產(chǎn)品研發(fā)和運(yùn)營提供決策支持。

任職要求：

1）3年以上數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)相關(guān)工作經(jīng)驗，有推薦系統(tǒng)，計算廣告和用戶運(yùn)營相關(guān)領(lǐng)域經(jīng)驗者優(yōu)先；

2）有個性化資訊類產(chǎn)品從業(yè)經(jīng)驗者優(yōu)先；

3）有自然語言處理/計算機(jī)視覺相關(guān)開發(fā)經(jīng)驗者優(yōu)先；

4）實戰(zhàn)能力強(qiáng)，能夠獨(dú)立分析和解決問題；

5）具有高度的責(zé)任心和團(tuán)隊合作精神；

6）熟悉python/C++/scala/SQL/R，有大數(shù)據(jù)計算框架如Hadoop,Spark開發(fā)經(jīng)驗者優(yōu)先；

7）熟悉深度學(xué)習(xí)，有深度學(xué)習(xí)相關(guān)框架如Tensorflow,Caffe,PyTorch,Mxnet開發(fā)經(jīng)驗者優(yōu)先；

8）熟悉強(qiáng)化學(xué)習(xí)，有相關(guān)應(yīng)用經(jīng)驗者優(yōu)先；

9）有相關(guān)研究或項目經(jīng)驗者優(yōu)先。

篇2:25924游戲內(nèi)容推薦高級算法工程師（深圳）職位描述與崗位職責(zé)任職要求

職位描述：

工作職責(zé)：

基于海量游戲數(shù)據(jù)，設(shè)計并實現(xiàn)推薦算法，為用戶提供全面的游戲資訊服務(wù)；

研發(fā)適合在游戲資訊推薦系統(tǒng)中應(yīng)用的機(jī)器學(xué)習(xí)算法和工具，參與推薦系統(tǒng)的開發(fā)與優(yōu)化；

協(xié)助游戲資訊推薦類產(chǎn)品優(yōu)化，為產(chǎn)品研發(fā)和運(yùn)營提供決策支持。

任職要求：

1）3年以上數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)相關(guān)工作經(jīng)驗，有推薦系統(tǒng)，計算廣告和用戶運(yùn)營相關(guān)領(lǐng)域經(jīng)驗者優(yōu)先；

2）有個性化資訊類產(chǎn)品從業(yè)經(jīng)驗者優(yōu)先；

3）有自然語言處理/計算機(jī)視覺相關(guān)開發(fā)經(jīng)驗者優(yōu)先；

4）實戰(zhàn)能力強(qiáng)，能夠獨(dú)立分析和解決問題；

5）具有高度的責(zé)任心和團(tuán)隊合作精神；

6）熟悉python/C++/scala/SQL/R，有大數(shù)據(jù)計算框架如Hadoop,Spark開發(fā)經(jīng)驗者優(yōu)先；

7）熟悉深度學(xué)習(xí)，有深度學(xué)習(xí)相關(guān)框架如Tensorflow,Caffe,PyTorch,Mxnet開發(fā)經(jīng)驗者優(yōu)先；

8）熟悉強(qiáng)化學(xué)習(xí)，有相關(guān)應(yīng)用經(jīng)驗者優(yōu)先；

9）有相關(guān)研究或項目經(jīng)驗者優(yōu)先。

篇3:各種聚類算法介紹對比

一、層次聚類

1、層次聚類的原理及分類

1)層次法(Hierarchicalmethods)先計算樣本之間的距離。每次將距離最近的點合并到同一個類。然后，再計算類與類之間的距離，將距離最近的類合并為一個大類。不停的合并，直到合成了一個類。其中類與類的距離的計算方法有：最短距離法，最長距離法，中間距離法，類平均法等。比如最短距離法，將類與類的距離定義為類與類之間樣本的最短距離。

層次聚類算法根據(jù)層次分解的順序分為：自下底向上和自上向下，即凝聚的層次聚類算法和分裂的層次聚類算法(agglomerative和divisive)，也可以理解為自下而上法(bottom-up)和自上而下法(top-down)。自下而上法就是一開始每個個體(object)都是一個類，然后根據(jù)linkage尋找同類，最后形成一個“類”。自上而下法就是反過來，一開始所有個體都屬于一個“類”，然后根據(jù)linkage排除異己，最后每個個體都成為一個“類”。這兩種路方法沒有孰優(yōu)孰劣之分，只是在實際應(yīng)用的時候要根據(jù)數(shù)據(jù)特點以及你想要的“類”的個數(shù)，來考慮是自上而下更快還是自下而上更快。至于根據(jù)Linkage判斷“類”的方法就是最短距離法、最長距離法、中間距離法、類平均法等等(其中類平均法往往被認(rèn)為是最常用也最好用的方法，一方面因為其良好的單調(diào)性，另一方面因為其空間擴(kuò)張/濃縮的程度適中)。為彌補(bǔ)分解與合并的不足，層次合并經(jīng)常要與其它聚類方法相結(jié)合，如循環(huán)定位。

2)Hierarchicalmethods中比較新的算法有BIRCH(BalancedIterativeReducingandClusteringUsingHierarchies利用層次方法的平衡迭代規(guī)約和聚類)主要是在數(shù)據(jù)量很大的時候使用，而且數(shù)據(jù)類型是numerical。首先利用樹的結(jié)構(gòu)對對象集進(jìn)行劃分，然后再利用其它聚類方法對這些聚類進(jìn)行優(yōu)化;ROCK(AHierarchicalClusteringAlgorithmforCategoricalAttributes)主要用在categorical的數(shù)據(jù)類型上;Chameleon(AHierarchicalClusteringAlgorithmUsingDynamicModeling)里用到的linkage是kNN(k-nearest-neighbor)算法，并以此構(gòu)建一個graph，Chameleon的聚類效果被認(rèn)為非常強(qiáng)大，比BIRCH好用，但運(yùn)算復(fù)雜度很高，O(n^2)。

2、層次聚類的流程

凝聚型層次聚類的策略是先將每個對象作為一個簇，然后合并這些原子簇為越來越大的簇，直到所有對象都在一個簇中，或者某個終結(jié)條件被滿足。絕大多數(shù)層次聚類屬于凝聚型層次聚類，它們只是在簇間相似度的定義上有所不同。

這里給出采用最小距離的凝聚層次聚類算法流程：

(1)將每個對象看作一類，計算兩兩之間的最小距離;

(2)將距離最小的兩個類合并成一個新類;

(3)重新計算新類與所有類之間的距離;

(4)重復(fù)(2)、(3)，直到所有類最后合并成一類。

聚類的效果如下圖，黑色是噪音點：

另外我們可以看出凝聚的層次聚類并沒有類似基本K均值的全局目標(biāo)函數(shù)，沒有局部極小問題或是很難選擇初始點的問題。合并的操作往往是最終的，一旦合并兩個簇之后就不會撤銷。當(dāng)然其計算存儲的代價是昂貴的。

3、層次聚類的優(yōu)缺點

優(yōu)點：1，距離和規(guī)則的相似度容易定義，限制少;2，不需要預(yù)先制定聚類數(shù);3，可以發(fā)現(xiàn)類的層次關(guān)系;4，可以聚類成其它形狀

缺點：1，計算復(fù)雜度太高;2，奇異值也能產(chǎn)生很大影響;3，算法很可能聚類成鏈狀

r語言中使用hclust(d,method=“complete“,members=NULL)：進(jìn)行層次聚類。d為距離矩陣;method表示類的合并方法，single最短距離法，complete最長距離法，median中間距離法，mcquitty相似法，average類平均法，centroid重心法，ward離差平方和法;members為NULL或d長度的矢量。

二、劃分聚類法k-means

基于劃分的方法(Partition-basedmethods)：其原理簡單來說就是，想象你有一堆散點需要聚類，想要的聚類效果就是“類內(nèi)的點都足夠近，類間的點都足夠遠(yuǎn)”。首先你要確定這堆散點最后聚成幾類，然后挑選幾個點作為初始中心點，再然后依據(jù)預(yù)先定好的啟發(fā)式算法(heuristicalgorithms)給數(shù)據(jù)點做迭代重置(iterativerelocation)，直到最后到達(dá)“類內(nèi)的點都足夠近，類間的點都足夠遠(yuǎn)”的目標(biāo)效果。

Partition-basedmethods聚類多適用于中等體量的數(shù)據(jù)集，但我們也不知道“中等”到底有多“中”，所以不妨理解成，數(shù)據(jù)集越大，越有可能陷入局部最小。

1、Kmeans算法的原理

k-means算法以k為參數(shù)，把n個對象分成k個簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。k-means算法的處理過程如下：首先，隨機(jī)地選擇k個對象，每個對象初始地代表了一個簇的平均值或中心，即選擇K個初始質(zhì)心;對剩余的每個對象，根據(jù)其與各簇中心的距離，將它賦給最近的簇;然后重新計算每個簇的平均值。

這個過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂，直到質(zhì)心不發(fā)生明顯的變化。通常，采用平方誤差準(zhǔn)則，誤差的平方和SSE作為全局的目標(biāo)函數(shù)，即最小化每個點到最近質(zhì)心的歐幾里得距離的平方和。此時，簇的質(zhì)心就是該簇內(nèi)所有數(shù)據(jù)點的平均值。

選擇K個點作為初始質(zhì)心

repeat將每個點指派到最近的質(zhì)心，形成K個簇

重新計算每個簇的質(zhì)心

until簇不發(fā)生變化或達(dá)到最大迭代次數(shù)

時間復(fù)雜度：O(tKmn)，其中，t為迭代次數(shù)，K為簇的數(shù)目，m為記錄數(shù)，n為維數(shù)

空間復(fù)雜度：O((m+K)n)，其中，K為簇的數(shù)目，m為記錄數(shù)，n為維數(shù)

K-Means算法的詳細(xì)過程

從上圖中，我們可以看到，A,B,C,D,E

是五個在圖中點。而灰色的點是我們的種子點，也就是我們用來找點群的點。有兩個種子點，所以K=2。

然后，K-Means的算法如下：

①隨機(jī)在圖中取K(這里K=2)個種子點。

②然后對圖中的所有點求到這K個種子點的距離，假如點Pi離種子點Si最近，那么Pi屬于Si點群。(我們可以看到A,B屬于上面的種子點，C,D,E屬于下面中部的種子點)

③接下來，我們要移動種子點到屬于他的“點群”的中心。(見圖上的第三步)

④然后重復(fù)第2)和第3)步，直到，種子點沒有移動(我們可以看到圖中的第四步上面的種子點聚合了A,B,C，下面的種子點聚合了D，E)。

聚類的效果如下圖，折線是歷次循環(huán)時3個簇的質(zhì)心的更新軌跡，黑點是初始質(zhì)心：

我們查看基本K均值算法實現(xiàn)步驟及上面的聚類效果可以發(fā)現(xiàn)，該聚類算法將所有數(shù)據(jù)點都進(jìn)行了指派，不識別噪音點。另外選擇適當(dāng)?shù)某踉囐|(zhì)心是基本K均值過程的關(guān)鍵。

2、k均值的優(yōu)缺點及分類

優(yōu)點：1，簡單，易于理解和實現(xiàn);2，時間復(fù)雜度低

缺點：

1)kmeans要手工輸入類數(shù)目，對初始值的設(shè)置很敏感;所以有了k-means++、intelligentk-means、genetick-means;

2)k-means對噪聲和離群值非常敏感，所以有了k-medoids和k-medians;

3)k-means只用于numerical類型數(shù)據(jù)，不適用于categorical類型數(shù)據(jù)，所以k-modes;

4)k-means不能解決非凸(non-convex)數(shù)據(jù)，所以有了kernelk-means。

5)k-means主要發(fā)現(xiàn)圓形或者球形簇，不能識別非球形的簇。

3、k-means與DBSCAN的區(qū)別

k-means聚類算法的初始點選擇不穩(wěn)定，是隨機(jī)選取的，這就引起聚類結(jié)果的不穩(wěn)定。k-means屬于動態(tài)聚類，往往聚出來的類有點圓形或者橢圓形。kmeans對于圓形區(qū)域聚類效果較好，dbscan基于密度，對于集中區(qū)域效果較好。對于不規(guī)則形狀，kmeans完全無法用，dbscan可以起到很好的效果。

4、k-means注意問題

1)K如何確定

kmenas算法首先選擇K個初始質(zhì)心，其中K是用戶指定的參數(shù)，即所期望的簇的個數(shù)。這樣做的前提是我們已經(jīng)知道數(shù)據(jù)集中包含多少個簇，但很多情況下，我們并不知道數(shù)據(jù)的分布情況，實際上聚類就是我們發(fā)現(xiàn)數(shù)據(jù)分布的一種手段。如何有效的確定K值，這里大致提供幾種方法：

①與層次聚類結(jié)合[2]

經(jīng)常會產(chǎn)生較好的聚類結(jié)果的一個有趣策略是，首先采用層次凝聚算法決定結(jié)果粗的數(shù)目，并找到一個初始聚類，然后用迭代重定位來改進(jìn)該聚類。

②穩(wěn)定性方法[3]

穩(wěn)定性方法對一個數(shù)據(jù)集進(jìn)行2次重采樣產(chǎn)生2個數(shù)據(jù)子集，再用相同的聚類算法對2個數(shù)據(jù)子集進(jìn)行聚類，產(chǎn)生2個具有k個聚類的聚類結(jié)果，計算2個聚類結(jié)果的相似度的分布情況。2個聚類結(jié)果具有高的相似度說明k個聚類反映了穩(wěn)定的聚類結(jié)構(gòu)，其相似度可以用來估計聚類個數(shù)。采用次方法試探多個k，找到合適的k值。

③系統(tǒng)演化方法[3]

系統(tǒng)演化方法將一個數(shù)據(jù)集視為偽熱力學(xué)系統(tǒng)，當(dāng)數(shù)據(jù)集被劃分為K個聚類時稱系統(tǒng)處于狀態(tài)K。系統(tǒng)由初始狀態(tài)K=1出發(fā)，經(jīng)過分裂過程和合并過程，系統(tǒng)將演化到它的穩(wěn)定平衡狀態(tài)Ki，所對應(yīng)的聚類結(jié)構(gòu)決定了最優(yōu)類數(shù)Ki。系統(tǒng)演化方法能提供關(guān)于所有聚類之間的相對邊界距離或可分程度，適用于明顯分離的聚類結(jié)構(gòu)和輕微重疊的聚類結(jié)構(gòu)。

④使用canopy算法進(jìn)行初始劃分[4]

基于CanopyMethod的聚類算法將聚類過程分為兩個階段

Stage1、聚類最耗費(fèi)計算的地方是計算對象相似性的時候，CanopyMethod在第一階段選擇簡單、計算代價較低的方法計算對象相似性，將相似的對象放在一個子集中，這個子集被叫做Canopy，通過一系列計算得到若干Canopy，Canopy之間可以是重疊的，但不會存在某個對象不屬于任何Canopy的情況，可以把這一階段看做數(shù)據(jù)預(yù)處理;

Stage2、在各個Canopy內(nèi)使用傳統(tǒng)的聚類方法(如K-means)，不屬于同一Canopy的對象之間不進(jìn)行相似性計算。

從這個方法起碼可以看出兩點好處：首先，Canopy不要太大且Canopy之間重疊的不要太多的話會大大減少后續(xù)需要計算相似性的對象的個數(shù);其次，類似于K-means這樣的聚類方法是需要人為指出K的值的，通過Stage1得到的Canopy個數(shù)完全可以作為這個K值，一定程度上減少了選擇K的盲目性。

其他方法如貝葉斯信息準(zhǔn)則方法(BIC)可參看文獻(xiàn)[5]。

2)初始質(zhì)心的選取

選擇適當(dāng)?shù)某跏假|(zhì)心是基本kmeans算法的關(guān)鍵步驟。常見的方法是隨機(jī)的選取初始質(zhì)心，但是這樣簇的質(zhì)量常常很差。處理選取初始質(zhì)心問題的一種常用技術(shù)是：多次運(yùn)行，每次使用一組不同的隨機(jī)初始質(zhì)心，然后選取具有最小SSE(誤差的平方和)的簇集。這種策略簡單，但是效果可能不好，這取決于數(shù)據(jù)集和尋找的簇的個數(shù)。

第二種有效的方法是，取一個樣本，并使用層次聚類技術(shù)對它聚類。從層次聚類中提取K個簇，并用這些簇的質(zhì)心作為初始質(zhì)心。該方法通常很有效，但僅對下列情況有效：(1)樣本相對較小，例如數(shù)百到數(shù)千(層次聚類開銷較大);(2)K相對于樣本大小較小

第三種選擇初始質(zhì)心的方法，隨機(jī)地選擇第一個點，或取所有點的質(zhì)心作為第一個點。然后，對于每個后繼初始質(zhì)心，選擇離已經(jīng)選取過的初始質(zhì)心最遠(yuǎn)的點。使用這種方法，確保了選擇的初始質(zhì)心不僅是隨機(jī)的，而且是散開的。但是，這種方法可能選中離群點。此外，求離當(dāng)前初始質(zhì)心集最遠(yuǎn)的點開銷也非常大。為了克服這個問題，通常該方法用于點樣本。由于離群點很少(多了就不是離群點了)，它們多半不會在隨機(jī)樣本中出現(xiàn)。計算量也大幅減少。

第四種方法就是上面提到的canopy算法。

3)距離的度量

常用的距離度量方法包括：歐幾里得距離和余弦相似度。兩者都是評定個體間差異的大小的。歐幾里得距離度量會受指標(biāo)不同單位刻度的影響，所以一般需要先進(jìn)行標(biāo)準(zhǔn)化，同時距離越大，個體間差異越大;空間向量余弦夾角的相似度度量不會受指標(biāo)刻度的影響，余弦值落于區(qū)間[-1,1]，值越大，差異越小。但是針對具體應(yīng)用，什么情況下使用歐氏距離，什么情況下使用余弦相似度?

從幾何意義上來說，n維向量空間的一條線段作為底邊和原點組成的三角形，其頂角大小是不確定的。也就是說對于兩條空間向量，即使兩點距離一定，他們的夾角余弦值也可以隨意變化。感性的認(rèn)識，當(dāng)兩用戶評分趨勢一致時，但是評分值差距很大，余弦相似度傾向給出更優(yōu)解。舉個極端的例子，兩用戶只對兩件商品評分，向量分別為(3,3)和(5,5)，這兩位用戶的認(rèn)知其實是一樣的，但是歐式距離給出的解顯然沒有余弦值合理。

4)質(zhì)心的計算

對于距離度量不管是采用歐式距離還是采用余弦相似度，簇的質(zhì)心都是其均值，即向量各維取平均即可。

5)算法停止條件

一般是目標(biāo)函數(shù)達(dá)到最優(yōu)或者達(dá)到最大的迭代次數(shù)即可終止。對于不同的距離度量，目標(biāo)函數(shù)往往不同。當(dāng)采用歐式距離時，目標(biāo)函數(shù)一般為最小化對象到其簇質(zhì)心的距離的平方和。

當(dāng)采用余弦相似度時，目標(biāo)函數(shù)一般為最大化對象到其簇質(zhì)心的余弦相似度和。

6)空聚類的處理

如果所有的點在指派步驟都未分配到某個簇，就會得到空簇。如果這種情況發(fā)生，則需要某種策略來選擇一個替補(bǔ)質(zhì)心，否則的話，平方誤差將會偏大。一種方法是選擇一個距離當(dāng)前任何質(zhì)心最遠(yuǎn)的點。這將消除當(dāng)前對總平方誤差影響最大的點。另一種方法是從具有最大SSE的簇中選擇一個替補(bǔ)的質(zhì)心。這將分裂簇并降低聚類的總SSE。如果有多個空簇，則該過程重復(fù)多次。另外，編程實現(xiàn)時，要注意空簇可能導(dǎo)致的程序bug。

三、基于密度的聚類

基于密度的方法(Density-basedmethods)：k-means解決不了不規(guī)則形狀的聚類。于是就有了Density-basedmethods來系統(tǒng)解決這個問題。該方法同時也對噪聲數(shù)據(jù)的處理比較好。基于密度聚類的思想：思路就是定一個距離半徑，最少有多少個點，然后把可以到達(dá)的點都連起來，判定為同類。其原理簡單說畫圈兒，其中要定義兩個參數(shù)，一個是圈兒的最大半徑，一個是一個圈兒里最少應(yīng)容納幾個點。最后在一個圈里的，就是一個類。DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)就是其中的典型，可惜參數(shù)設(shè)置也是個問題，對這兩個參數(shù)的設(shè)置非常敏感。DBSCAN的擴(kuò)展叫OPTICS(OrderingPointsToIdentifyClusteringStructure)通過優(yōu)先對高密度(highdensity)進(jìn)行搜索，然后根據(jù)高密度的特點設(shè)置參數(shù)，改善了DBSCAN的不足。

1、DBSCAN的概念

dbscan基于密度，對于集中區(qū)域效果較好，為了發(fā)現(xiàn)任意形狀的簇，這類方法將簇看做是數(shù)據(jù)空間中被低密度區(qū)域分割開的稠密對象區(qū)域;一種基于高密度連通區(qū)域的基于密度的聚類方法，該算法將具有足夠高密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)中發(fā)現(xiàn)任意形狀的簇。

DBSCAN中的幾個定義：

Ε鄰域：給定對象半徑為Ε內(nèi)的區(qū)域稱為該對象的Ε鄰域;

核心對象：如果給定對象Ε領(lǐng)域內(nèi)的樣本點數(shù)大于等于MinPts，則稱該對象為核心對象;

直接密度可達(dá)：對于樣本集合D，如果樣本點q在p的Ε領(lǐng)域內(nèi)，并且p為核心對象，那么對象q從對象p直接密度可達(dá)。

密度可達(dá)：對于樣本集合D，給定一串樣本點p1,p2….pn，p=p1,q=pn,假如對象pi從pi-1直接密度可達(dá)，那么對象q從對象p密度可達(dá)。注意：密度可達(dá)是單向的，密度可達(dá)即可容納同一類。

密度相連：存在樣本集合D中的一點o，如果對象o到對象p和對象q都是密度可達(dá)的，那么p和q密度相聯(lián)。

密度可達(dá)是直接密度可達(dá)的傳遞閉包，并且這種關(guān)系是非對稱的。密度相連是對稱關(guān)系。DBSCAN目的是找到密度相連對象的最大集合。

有了以上的概念接下來就是算法描述了：DBSCAN通過檢查數(shù)據(jù)庫中每點的r鄰域來搜索簇。如果點p的r鄰域包含的點多于MinPts個，則創(chuàng)建一個以p為核心對象的新簇。然后，DBSCAN迭代的聚集從這些核心對象直接密度可達(dá)的對象，這個過程可能涉及一些密度可達(dá)簇的合并。當(dāng)沒有新的點可以添加到任何簇時，該過程結(jié)束。

例如：Eg:

假設(shè)半徑Ε=3，MinPts=3，點p的E領(lǐng)域中有點{m,p,p1,p2,o},點m的E領(lǐng)域中有點{m,q,p,m1,m2},點q的E領(lǐng)域中有點{q,m},點o的E領(lǐng)域中有點{o,p,s},點s的E領(lǐng)域中有點{o,s,s1}.

那么核心對象有p,m,o,s(q不是核心對象，因為它對應(yīng)的E領(lǐng)域中點數(shù)量等于2，小于MinPts=3);

點m從點p直接密度可達(dá)，因為m在p的E領(lǐng)域內(nèi)，并且p為核心對象;

點q從點p密度可達(dá)，因為點q從點m直接密度可達(dá)，并且點m從點p直接密度可達(dá);

點q到點s密度相連，因為點q從點p密度可達(dá)，并且s從點p密度可達(dá)。

2、簇的生成原理及過程

1)DBSCAN聚類算法原理的基本要點：確定半徑eps的值

①DBSCAN算法需要選擇一種距離度量，對于待聚類的數(shù)據(jù)集中，任意兩個點之間的距離，反映了點之間的密度，說明了點與點是否能夠聚到同一類中。由于DBSCAN算法對高維數(shù)據(jù)定義密度很困難，所以對于二維空間中的點，可以使用歐幾里德距離來進(jìn)行度量。

②DBSCAN算法需要用戶輸入2個參數(shù)：一個參數(shù)是半徑(Eps)，表示以給定點P為中心的圓形鄰域的范圍;另一個參數(shù)是以點P為中心的鄰域內(nèi)最少點的數(shù)量(MinPts)。如果滿足：以點P為中心、半徑為Eps的鄰域內(nèi)的點的個數(shù)不少于MinPts，則稱點P為核心點。

③DBSCAN聚類使用到一個k-距離的概念，k-距離是指：給定數(shù)據(jù)集P={p(i);

i=0,1,…n}，對于任意點P(i)，計算點P(i)到集合D的子集S={p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有點之間的距離，距離按照從小到大的順序排序，假設(shè)排序后的距離集合為D={d(1),d(2),…,d(k-1),d(k),d(k+1),…,d(n)}，則d(k)就被稱為k-距離。也就是說，k-距離是點p(i)到所有點(除了p(i)點)之間距離第k近的距離。對待聚類集合中每個點p(i)都計算k-距離，最后得到所有點的k-距離集合E={e(1),e(2),…,e(n)}。

④根據(jù)經(jīng)驗計算半徑Eps：根據(jù)得到的所有點的k-距離集合E，對集合E進(jìn)行升序排序后得到k-距離集合E’，需要擬合一條排序后的E’集合中k-距離的變化曲線圖，然后繪出曲線，通過觀察，將急劇發(fā)生變化的位置所對應(yīng)的k-距離的值，確定為半徑Eps的值。

⑤根據(jù)經(jīng)驗計算最少點的數(shù)量MinPts：確定MinPts的大小，實際上也是確定k-距離中k的值，DBSCAN算法取k=4，則MinPts=4。

⑥另外，如果覺得經(jīng)驗值聚類的結(jié)果不滿意，可以適當(dāng)調(diào)整Eps和MinPts的值，經(jīng)過多次迭代計算對比，選擇最合適的參數(shù)值。可以看出，如果MinPts不變，Eps取得值過大，會導(dǎo)致大多數(shù)點都聚到同一個簇中，Eps過小，會導(dǎo)致一個簇的分裂;如果Eps不變，MinPts的值取得過大，會導(dǎo)致同一個簇中點被標(biāo)記為噪聲點，MinPts過小，會導(dǎo)致發(fā)現(xiàn)大量的核心點。

我們需要知道的是，DBSCAN算法，需要輸入2個參數(shù)，這兩個參數(shù)的計算都來自經(jīng)驗知識。半徑Eps的計算依賴于計算k-距離，DBSCAN取k=4，也就是設(shè)置MinPts=4，然后需要根據(jù)k-距離曲線，根據(jù)經(jīng)驗觀察找到合適的半徑Eps的值。

2)連通核心點生成簇

核心點能夠連通(有些書籍中稱為：“密度可達(dá)”)，它們構(gòu)成的以Eps長度為半徑的圓形鄰域相互連接或重疊，這些連通的核心點及其所處的鄰域內(nèi)的全部點構(gòu)成一個簇。假設(shè)MinPts=4，則連通的核心點示例，如下圖所示：

計算連通的核心點的思路是，基于廣度遍歷與深度遍歷集合的方式：從核心點集合S中取出一個點p，計算點p與S集合中每個點(除了p點)是否連通，可能會得到一個連通核心點的集合C1，然后從集合S中刪除點p和C1集合中的點，得到核心點集合S1;再從S1中取出一個點p1，計算p1與核心點集合S1集中每個點(除了p1點)是否連通，可能得到一個連通核心點集合C2，再從集合S1中刪除點p1和C2集合中所有點，得到核心點集合S2，……最后得到p、p1、p2、……，以及C1、C2、……就構(gòu)成一個簇的核心點。最終將核心點集合S中的點都遍歷完成，得到所有的簇。

參數(shù)eps的設(shè)置，如果eps設(shè)置過大，則所有的點都會歸為一個簇，如果設(shè)置過小，那么簇的數(shù)目會過多。如果MinPts設(shè)置過大的話，很多點將被視為噪聲點。

3、根據(jù)數(shù)據(jù)點的密度分為三類點：

(1)核心點：該點在鄰域內(nèi)的密度超過給定的閥值MinPs。

(2)邊界點：該點不是核心點，但是其鄰域內(nèi)包含至少一個核心點。

(3)噪音點：不是核心點，也不是邊界點。

有了以上對數(shù)據(jù)點的劃分，聚合可以這樣進(jìn)行：各個核心點與其鄰域內(nèi)的所有核心點放在同一個簇中，把邊界點跟其鄰域內(nèi)的某個核心點放在同一個簇中。

聚類的效果如下圖，黑色是噪音點：初識聚類算法:

因為DBSCAN使用簇的基于密度的定義，因此它是相對抗噪音的，并且能處理任意形狀和大小的簇。但是如果簇的密度變化很大，例如ABCD四個簇，AB的密度大大大于CD，而且AB附近噪音的密度與簇CD的密度相當(dāng)，這是當(dāng)MinPs較大時，無法識別簇CD，簇CD和AB附近的噪音都被認(rèn)為是噪音;當(dāng)MinPs較小時，能識別簇CD，但AB跟其周圍的噪音被識別為一個簇。這個問題可以基于共享最近鄰(SNN)的聚類結(jié)局。

4、DBSCAN的優(yōu)缺點：

優(yōu)點：

1.與K-means方法相比，DBSCAN不需要事先知道要形成的簇類的數(shù)量。

2.與K-means方法相比，DBSCAN可以發(fā)現(xiàn)任意形狀的簇類。

3.同時，DBSCAN能夠識別出噪聲點。

4.DBSCAN對于數(shù)據(jù)庫中樣本的順序不敏感，即Pattern的輸入順序?qū)Y(jié)果的影響不大。但是，對于處于簇類之間邊界樣本，可能會根據(jù)哪個簇類優(yōu)先被探測到而其歸屬有所擺動。

缺點：

1.DBScan不能很好反映高尺寸數(shù)據(jù)。

2.DBScan不能很好反映數(shù)據(jù)集變化的密度。

3.對于高維數(shù)據(jù)，點之間極為稀疏，密度就很難定義了。