K-Means和DBScan聚类的区别

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：

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:

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。