最实用无监督聚类算法：DBSCAN 完整讲解，搞定不规则数据集分类任务

已完结

课程简介

本课程讲解 DBSCAN 密度聚类算法，解决 K-means 痛点，涵盖核心点等定义、聚类流程、参数设置（含 K 距离图），搭配 sklearn 实战，帮你掌握其自动识别簇数与噪声的能力，适用于地理分析、数据挖掘等场景。

章节目录

互动留言

1/1 基于密度的聚类方法（DBSCAN）

在数据分析中，K-means 聚类是一种非常常用的聚类方法。它的核心思想是：将相似的数据点归为同一簇，并为每个簇计算一个质心，然后把每个点分配到距离最近的质心所属簇中。这种方法简单高效，但也存在一些明显的局限性：对噪声和异常点敏感：极端值会影响质心的位置，从而扭曲聚类结果。需要预先指定簇的数量：在实际场景中，簇的数量往往未知，而错误的预设可能导致聚类不准确。对复杂数据分布适应性差：对于非球... 查看完整内容