王治和，曹旭琰，杜 輝

（西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，蘭州 730070）

0 概述

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取有價(jià)值信息的過程，將其轉(zhuǎn)化成人們需要的且有組織的知識(shí)信息［1-2］，已在許多領(lǐng)域取得重要成果。聚類分析是數(shù)據(jù)挖掘的重要技術(shù)之一，可以作為一種獨(dú)立的工具深入了解數(shù)據(jù)集的分布情況。其主要任務(wù)是將數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)樣本劃分到相應(yīng)的簇中，使簇內(nèi)的樣本彼此相似，而簇間的樣本彼此不相似［3-4］。目前，聚類分析已經(jīng)廣泛地應(yīng)用于圖像分析［5］、模式識(shí)別［6］、生物信息學(xué)［7］、知識(shí)發(fā)現(xiàn)［8］、醫(yī)學(xué)［9-10］和農(nóng)業(yè)［11］等領(lǐng)域?；诿芏鹊木垲愃惴ㄊ蔷垲惙治龅闹匾夹g(shù)之一，其中經(jīng)典算法有DBSCAN 算法［12］、OPTICS算法［13］、DENCLUE 算法［14］等。

文獻(xiàn)［12］提出的DBSCAN 算法，聚類初始點(diǎn)是從數(shù)據(jù)集中任意取出一個(gè)樣本，判斷其為核心點(diǎn)后開始聚類，增加了算法的時(shí)間開銷。該算法中的Eps和MinPts 是全局參數(shù)，在聚類過程中不能改變，所以不能正確聚類密度不均勻的數(shù)據(jù)集。因此，如何恰當(dāng)?shù)剡x擇聚類的初始點(diǎn)和Eps 值是提高聚類準(zhǔn)確度的關(guān)鍵因素，很多學(xué)者對(duì)此做了大量研究和改進(jìn)。文獻(xiàn)［13］提出OPTICS 算法，該算法并不產(chǎn)生數(shù)據(jù)集聚類，而是輸出一個(gè)表示數(shù)據(jù)的基于密度的聚類結(jié)構(gòu)的簇排序，克服了使用一組全局參數(shù)的缺點(diǎn)。但這種總是朝高密度區(qū)域擴(kuò)張的策略，使那些無法連向下一個(gè)高密度區(qū)域的低密度點(diǎn)往往被累積在結(jié)果序列的末尾，導(dǎo)致這些低密度點(diǎn)與高密度點(diǎn)的相鄰關(guān)系在映射時(shí)被分離［15］。文 獻(xiàn)［16］提出的OSDBSCAN 算法優(yōu)化了初始點(diǎn)的選擇，并結(jié)合數(shù)據(jù)集的特點(diǎn)自適應(yīng)計(jì)算Eps 和MinPts 值，但是引入了聚類個(gè)數(shù)k、密度參數(shù)α、倍率參數(shù)β3 個(gè)參數(shù)，不僅沒有減少人為干預(yù)，而且?guī)砀蟮膹?fù)雜性。文獻(xiàn)［17］提出VDBSCAN 算法，該算法能夠聚類密度不同的數(shù)據(jù)集，求每個(gè)數(shù)據(jù)樣本的第k個(gè)近鄰，利用k-dist 圖選取不同密度層次相應(yīng)的Eps 值，但是選取過程需要人為干預(yù)，存在很大的不確定性。文獻(xiàn)［18］提出RNN-DBSCAN 算法，使用反向最近鄰（RNN）的思想來定義密度和核心樣本，但整體的聚類效果不佳且運(yùn)行時(shí)間較長。文獻(xiàn)［19］提出ADBSCAN 算法，利用最近鄰圖（NNG）固有的性質(zhì)來識(shí)別局部高密度樣本，運(yùn)用密度估計(jì)對(duì)噪聲樣本進(jìn)行濾波，但在某些情況下，該算法有時(shí)無法識(shí)別正確的簇?cái)?shù)，而且需要對(duì)多個(gè)參數(shù)組合進(jìn)行測試。

通過上述研究發(fā)現(xiàn)，RNN 算法對(duì)獲取全局密度最大的數(shù)據(jù)樣本起到重要作用，解決了DBSCAN 算法隨機(jī)取初始點(diǎn)的問題。本文提出一種新的OIRDBSCAN 算法，借鑒OPTICS 算法中核心距離和可達(dá)距離的思路，通過調(diào)整核心距離和可達(dá)距離的值得到適合該簇的半徑r，以解決DBSCAN 算法中Eps是全局參數(shù)的問題。

1 相關(guān)工作

1.1 DBSCAN 算法

DBSCAN 算法可以發(fā)現(xiàn)任意形狀的簇，并識(shí)別噪點(diǎn)，不需要設(shè)定具體的簇?cái)?shù)，聚類效果穩(wěn)定。在Eps 鄰域、MinPts 密度閾值、核心點(diǎn)、直接密度可達(dá)、密度可達(dá)的基礎(chǔ)上設(shè)定了密度相連［20］概念。

DBSCAN 算法從任意一個(gè)點(diǎn)p出發(fā)，先判斷其是否是核心點(diǎn)，若是，尋找Eps 鄰域內(nèi)與p直接密度可達(dá)的點(diǎn)，將這些點(diǎn)放入集合U中，然后遍歷集合U中的所有核心點(diǎn)，尋找與它們密度可達(dá)的點(diǎn)，迭代上述步驟，直到集合U中沒有可擴(kuò)展的核心點(diǎn)，此時(shí)形成了一個(gè)完整的簇；若不是，暫時(shí)將其標(biāo)注為噪點(diǎn)。聚類完成其中的一個(gè)簇后，對(duì)未遍歷的數(shù)據(jù)點(diǎn)重復(fù)上述過程，進(jìn)行其他簇的擴(kuò)展，直至所有的點(diǎn)被遍歷。其中既不是核心點(diǎn)也不是邊界點(diǎn)的被稱為噪點(diǎn)。

1.2 點(diǎn)x 的k 近鄰和反向最近鄰

假設(shè)X是d維空間中的數(shù)據(jù)點(diǎn)集，用n表示X的大小，n=|X|。?x∈X，x∈Rd。對(duì)于X中的任意兩個(gè)點(diǎn)x和y，用表示兩點(diǎn)之間的距離，其中k的取值范圍為1≤k≤n-1。

定義1點(diǎn)x的k近鄰用Nk(x)=N表示，其中N滿足以下條件：

定義2點(diǎn)x的反向最近鄰用Rk(x)=R表示，其中R滿足以下條件：

1）R?X/{x}。

2）?y∈R：x∈Nk(y)。

下文用具體的示例對(duì)上述定義做出解釋，該數(shù)據(jù)集共有5 個(gè)點(diǎn)，如圖1 所示。

圖1 二維空間5 個(gè)數(shù)據(jù)點(diǎn)的最近鄰圖Fig.1 Nearest neighbor graph of five data points in two-dimensional space

從圖1可以看出：a點(diǎn)的最近鄰是b，b點(diǎn)和c點(diǎn)互為最近鄰，d點(diǎn)的最近鄰是c，以此類推。在k近鄰中，k取1 時(shí)為最近鄰點(diǎn)，k取2 時(shí)為第二近鄰點(diǎn)，k取n（n為正整數(shù)）時(shí)為第n個(gè)近鄰點(diǎn)。圖1 的最近鄰表如表1 所示，取k=1。對(duì)于反向最近鄰，需要滿足定義2 的2 個(gè)條件，具體分析如表2 所示。

表1 二維空間5 個(gè)數(shù)據(jù)點(diǎn)的最近鄰表Table 1 Nearest neighbor table of five data points in two-dimensional space

表2 二維空間5 個(gè)數(shù)據(jù)點(diǎn)的反向最近鄰表Table 2 Reverse nearest neighbor table of five data points in two-dimensional space

反向最近鄰表如表2 所示，其中以點(diǎn)b為例進(jìn)行分析。點(diǎn)c滿足?x∈X：dist(b，c)≤dist(c，x)，所以c是b的反向最近鄰點(diǎn)，a同理，滿足?x∈X：dist(b，a)≤dist(a，x)，所以a也是b的反向最近鄰點(diǎn)。其他點(diǎn)的分析方法類似。

2 OIR-DBSCAN 算法

2.1 設(shè)計(jì)方法

首先尋找數(shù)據(jù)集中全局密度最大的數(shù)據(jù)樣本，將該樣本作為聚類初始點(diǎn)，然后用自適應(yīng)半徑的方法計(jì)算出該初始點(diǎn)所在簇相應(yīng)的r值。以該樣本為初始點(diǎn)，r值為半徑開始聚類。當(dāng)一個(gè)簇聚類完成后，再從剩余的數(shù)據(jù)樣本中選出新的聚類初始點(diǎn)，迭代上述過程，直至所有數(shù)據(jù)樣本被劃分類別或有部分?jǐn)?shù)據(jù)樣本被當(dāng)作噪聲處理，聚類結(jié)束。

2.2 初始點(diǎn)優(yōu)化

在K-means 算法中初始點(diǎn)的優(yōu)化對(duì)算法的改進(jìn)尤為重要。盡管DBSCAN 算法中初始點(diǎn)的優(yōu)化對(duì)聚類結(jié)果的影響不太明顯，但從算法的角度考慮，如果初始點(diǎn)選擇的是全局密度最大的點(diǎn)，那么該點(diǎn)一定是核心點(diǎn)，可以省去判斷某個(gè)點(diǎn)是否是核心點(diǎn)的時(shí)間。本文從文獻(xiàn)［16，18］中得到啟發(fā)，改進(jìn)的算法能夠找到數(shù)據(jù)集中全局密度最大的點(diǎn)。

在初始點(diǎn)優(yōu)化思路中，運(yùn)用到1.2 節(jié)中提到的k近鄰算法和反向最近鄰。從表2 可以看出，a點(diǎn)和e點(diǎn)無反向最近鄰，b點(diǎn)的反向最近鄰是a和c，c點(diǎn)的反向最近鄰是b和d。也可以理解為：a和e沒有出現(xiàn)在任何點(diǎn)的好友圈中，而b出現(xiàn)在a和c的好友圈中，c出現(xiàn)在b和d的好友圈中，d出現(xiàn)在e的好友圈中?？梢钥闯鯾和c在好友圈的活躍程度最高，在一定程度上證明其周圍數(shù)據(jù)點(diǎn)的密度較高。

首先根據(jù)反向最近鄰表計(jì)算出每個(gè)點(diǎn)反向最近鄰的個(gè)數(shù)m，m越大，意味著該點(diǎn)的活躍度越高，越有可能成為初始點(diǎn)。但是要計(jì)算出最終的聚類初始點(diǎn)，不能只根據(jù)m值，需要考慮下面這種情況，如圖2 所示（設(shè)k=1）。

圖2 52 個(gè)數(shù)據(jù)樣本考慮m 值的示意圖Fig.2 Fifty-two data samples only consider the schematic diagram of m value

觀察箭頭所指的兩個(gè)點(diǎn)，通過計(jì)算得出它們的反向最近鄰個(gè)數(shù)m均等于4。那么如果只考慮m，則兩者大小一樣。但圖2 中右下角箭頭所指的點(diǎn)所在簇的密度顯然大于左上角中箭頭所指的點(diǎn)所在簇的密度。因此，不能只考慮m的取值，還應(yīng)該考慮該點(diǎn)與k個(gè)鄰近距離和的大小，記為dist。dist 越大，密度越小；反之dist 越小，密度越大。

設(shè)數(shù)據(jù)集的相似度矩陣為MMatrix，相似度矩陣用歐式距離表示，每行按從小到大排序后，去除第一列的零元素，記為KNNMatrix。每個(gè)數(shù)據(jù)樣本對(duì)應(yīng)的m值記為minit。VValue(init)的大小決定該init 點(diǎn)是否可以作為聚類初始點(diǎn)，值越小，表明該點(diǎn)越適合作為聚類初始點(diǎn)；反之，不適合。因此，聚類初始點(diǎn)的判別公式如式（1）所示：

將當(dāng)前最小的VValue(init)值對(duì)應(yīng)的init 作為聚類初始點(diǎn)。當(dāng)一個(gè)簇聚類完成后，將已經(jīng)有聚類標(biāo)簽的點(diǎn)從候選init 隊(duì)列中刪除，方便重新選出下一次聚類的初始點(diǎn)。

初始點(diǎn)的選擇如圖3 所示，數(shù)據(jù)集的初始點(diǎn)依次為三角形、六邊形和五角星所在的點(diǎn)。

圖3 52 個(gè)數(shù)據(jù)樣本初始點(diǎn)示意圖Fig.3 Schematic diagram of initial points of fifty-two data samples

初始點(diǎn)的優(yōu)化算法如算法1 所示。

算法1初始點(diǎn)優(yōu)化

輸入k（k=4）

輸出init

步驟1求出各個(gè)樣本之間的相似度矩陣MMatrix，用歐式距離表示。

步驟2對(duì)Matrix 按行升序排序，去掉第一列的0 元素，得到矩陣KNNMatrix。

步驟3計(jì)算每個(gè)樣本的反向最近鄰個(gè)數(shù)m。

步驟4計(jì)算每個(gè)樣本的k個(gè)近鄰的距離和dist。將該樣本的序號(hào)、步驟4 計(jì)算出的dist 值和步驟3 計(jì)算出的m放入列表RNNDist 中。

步驟5計(jì)算RNNDist列表中每個(gè)對(duì)象的VValue(init)值，參考式（1），按升序排列，得到列表SortRnnDist。

步驟6取SortRnnDist 列表的第一個(gè)值對(duì)應(yīng)的init 為聚類初始點(diǎn)。

步驟7從第一個(gè)初始點(diǎn)開始的聚類結(jié)束后，將已經(jīng)有標(biāo)簽的樣本從SortRnnDist 列表中刪除，重復(fù)步驟6，選取下一次的聚類初始點(diǎn)，重復(fù)步驟7，迭代直至聚類結(jié)束。

2.3 自適應(yīng)半徑r

在傳統(tǒng)的DBSCAN 算法中，Eps 在聚類過程中不能改變。如果Eps 取值太小，將會(huì)導(dǎo)致數(shù)據(jù)集被分割成多個(gè)簇；如果Eps 取值太大，將會(huì)出現(xiàn)多個(gè)簇被合并的現(xiàn)象。無論哪種情況，都不能對(duì)有密度變化的數(shù)據(jù)集進(jìn)行正確聚類。為克服上述困難，引入以下3 個(gè)概念：

1）核心距離。對(duì)象p的核心距離ε'是使得p的ε'-領(lǐng)域內(nèi)至少有k個(gè)對(duì)象，即ε'是使得p成為核心對(duì)象的最小半徑閾值。對(duì)于數(shù)據(jù)集中的任意一個(gè)對(duì)象，每個(gè)對(duì)象p的ε'都不同。如圖3 所示，五角星點(diǎn)的ε'=0.5；六邊形點(diǎn)的ε'=1；三角形點(diǎn)的ε'=1.25。

2）ε距離。ε的取值是一個(gè)全局的參數(shù)，由用戶設(shè)定，如圖4 所示，取ε=1。

圖4 核距比之間的關(guān)系Fig.4 Relationship of kernel’s distance radio

3）核距比。表示核心距離ε'與ε距離的比值，核距比在一定程度上可以反映數(shù)據(jù)點(diǎn)分布的疏密情況。

在圖4 中，圖4（a）和圖4（b）的核距比均小于1，其中圖4（a）的核距比最小，得出數(shù)據(jù)之間的密度分布緊湊；圖4（b）的核距比幾乎為1，數(shù)據(jù)之間的密度分布適中；圖4（c）的核距比大于1，明顯數(shù)據(jù)較分散。但是對(duì)于核距比大于1 的數(shù)據(jù)點(diǎn)，存在是噪點(diǎn)的可能性，需要做進(jìn)一步的判斷。

設(shè)置一個(gè)參數(shù)α用來與核距比作比較，α設(shè)定的大小可以對(duì)自適應(yīng)半徑r的調(diào)節(jié)起到伸縮作用。α越小，半徑r可調(diào)整的伸縮性越大；反之，伸縮性越小。自適應(yīng)半徑r的判斷如圖5 所示。

圖5 自適應(yīng)半徑流程Fig.5 Procedure of self-adapting radius

從圖5 可以看出，r的選擇有如下3 種情況：

1）數(shù)據(jù)對(duì)象的密度緊密，當(dāng)核距比遠(yuǎn)小于α?xí)r，如果直接取r=ε'，那么半徑r取值太小，會(huì)導(dǎo)致本屬于同一個(gè)簇的數(shù)據(jù)點(diǎn)被分割成多個(gè)簇。所以，采用圖5 中適當(dāng)增大ε'的方法重新計(jì)算核距比，使得α落在規(guī)定區(qū)間，此時(shí)取r=ε'。

2）數(shù)據(jù)對(duì)象的密度適中，當(dāng)核距比正好落在α規(guī)定區(qū)間時(shí)，直接取r=ε。因?yàn)榇藭r(shí)ε和ε'的大小相差甚微，所以選取值較大的ε，加快聚類速度。

3）數(shù)據(jù)對(duì)象的密度稀疏，當(dāng)核距比遠(yuǎn)大于α?xí)r，如果直接判斷為噪點(diǎn)，那么可能會(huì)忽略如圖2 所示的左邊簇的情況。所以，判斷該數(shù)據(jù)對(duì)象的ε'鄰域中的每個(gè)點(diǎn)是否有大于等于k個(gè)未被標(biāo)識(shí)的對(duì)象，若有，則說明該點(diǎn)附近只是密度稀疏，并不是噪點(diǎn)，取r=ε'；反之，則為噪點(diǎn)。

2.4 算法描述

通過上述初始值的選取和半徑的判定，得到init和r值，然后采用密度聚類的方法進(jìn)行聚類。第一次聚類結(jié)束之后，從剩余未被標(biāo)記的數(shù)據(jù)樣本中選出第二次聚類的初始點(diǎn)init′和半徑r′，進(jìn)行第二次聚類、迭代，直至所有數(shù)據(jù)樣本被劃分類別或有部分?jǐn)?shù)據(jù)做噪聲處理。

對(duì)于數(shù)據(jù)集X中的每個(gè)樣本x，標(biāo)簽用cluster表示，聚類過的樣本添加到visited 列表中，未被聚類的樣本存放在unvisited 列表中，將聚類結(jié)果存放在數(shù)組assign中。OIR-DBSCAN 算法的流程如算法2 所示。

算法2OIR-DBSCAN 算法

輸入數(shù)據(jù)集dataset

輸出assign

步驟1對(duì)數(shù)據(jù)集作歸一化處理。

步驟2根據(jù)算法1 計(jì)算出初始點(diǎn)init。

步驟3根據(jù)圖5 的流程圖計(jì)算出自適應(yīng)半徑r。

步驟4通過DBSCAN 算法，將和初始點(diǎn)init 屬于同一類的數(shù)據(jù)樣本劃分出來，cluster 加1。

步驟5執(zhí)行步驟2、步驟3。

步驟6用步驟4 的方法對(duì)剩余點(diǎn)聚類。

步驟7迭代，直至所有數(shù)據(jù)被聚類或部分?jǐn)?shù)據(jù)被當(dāng)作噪聲處理。

2.5 參數(shù)選擇

算法中k值是固定參數(shù)，取值為4，k主要用來控制核心距離ε'，進(jìn)而影響半徑r。參數(shù)ε人為設(shè)定。α的大小可以對(duì)自適應(yīng)半徑r的調(diào)節(jié)起到伸縮作用，經(jīng)大量實(shí)驗(yàn)測試，α的取值范圍是0.25～0.8。參數(shù)MinPts 和DBSCAN 算法中的MinPts 一樣，用來控制核心點(diǎn)的判斷。雖然該參數(shù)也是人為設(shè)定的參數(shù)，但經(jīng)過大量實(shí)驗(yàn)論證，取值范圍一般為3～15，且為正整數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

為對(duì)本文算法性能進(jìn)行評(píng)估，檢測其有效性，本文進(jìn)行以下對(duì)比實(shí)驗(yàn)。對(duì)比算法包括DBSCAN 算法、OPTICS 算法和RNN-DBSCAN 算法。數(shù)據(jù)集采用人工數(shù)據(jù)集和真實(shí)數(shù)據(jù)集，人工數(shù)據(jù)集包括Compound、Pathbased、Jain、Aggregation、grid.orig；真實(shí)數(shù)據(jù)集包括iris、WBC、Thyroid、Ecoli、Pima、Vote、Vowel 等。其中人工數(shù)據(jù)集如表3 所示。

表3 人工數(shù)據(jù)集Table 3 Artificial datasets

實(shí)驗(yàn)環(huán)境為Inter?CoreTMi7-1065G7 CPU@1.30 GHz 1.50 GHz，內(nèi)存為16 GB，編程環(huán)境為python3.8，編譯器為Jupter Notebook、PyCharm。

聚類的評(píng)價(jià)指標(biāo)選用調(diào)整蘭德指數(shù)（ARI）［21］、歸一化交互信息（NMI）［22］、同質(zhì)性指標(biāo)（homogeneity）、完整性指標(biāo)（completeness）和同質(zhì)性與完整性的調(diào)和平均（V-measure）［23］。

ARI 是調(diào)整的RI，相對(duì)RI 來說有更高的區(qū)分度。ARI 的取值范圍是［-1，1］，數(shù)值越接近1 代表聚類結(jié)果越好，越接近0 代表聚類結(jié)果越差，計(jì)算公式如式（2）所示：

其中：max 表示取最大值；E表示期望。

ARI 計(jì)算公式如式（3）所示：

其中：i、j分別表示為真實(shí)簇類和預(yù)測簇類；nij表示聚類正確的樣本個(gè)數(shù)；max（RI）表示如果聚類結(jié)果完全正確時(shí)的值；E[RI]表示求RI 的期望值。

NMI 是一個(gè)外部指標(biāo)，通過將聚類結(jié)果與“真實(shí)”的類標(biāo)簽對(duì)比衡量聚類效果，如式（4）所示：

其中：k（C）是聚類結(jié)果的簇?cái)?shù)；k（T）是真實(shí)聚類結(jié)果的簇?cái)?shù)；ni是簇i的樣本個(gè)數(shù)；nj是簇j的樣本個(gè)數(shù)；ni，j是聚類結(jié)果C中屬于簇i的樣本與真實(shí)聚類結(jié)果T中屬于簇j的樣本之間的樣本個(gè)數(shù)；n是數(shù)據(jù)集的樣本總數(shù)。

同質(zhì)性h表示每個(gè)簇只包含單一類別成員的程度；完整性c表示一個(gè)給定類的所有成員分配到單一簇的程度；V-measure 表示兩者的調(diào)和平均。其中同質(zhì)性和完整性如式（5）和式（6）所示：

其中：H(C|K)是給定簇。

類的條件熵如式（7）所示：

H(C)是類的熵，計(jì)算公式如式（8）所示：

其中：n表示數(shù)據(jù)集的樣本總數(shù)；nc和nk分別表示屬于簇c和簇k的樣本數(shù)；nc，k為類c中的樣本分配給簇k的數(shù)量。

V-measure 的表達(dá)式如式（9）所示：

3.1 人工數(shù)據(jù)集

本組實(shí)驗(yàn)用上述提及的5 個(gè)人工數(shù)據(jù)集進(jìn)行測試，聚類結(jié)果如圖6～圖10 所示。Compound 數(shù)據(jù)集中有若干個(gè)密度不同的簇，圖6 的實(shí)驗(yàn)結(jié)果表明，只有本文提出的OIR-DBSCAN 算法能得到正確的聚類結(jié)果，而DBSCAN 算法中由于Eps 參數(shù)的局限性，誤將左上角的簇當(dāng)作噪點(diǎn)處理，OPTICS 算法和RNN-DBSCAN 算法的聚類結(jié)果差強(qiáng)人意；在圖7中，數(shù)據(jù)集的分布較為松散且密度分布無規(guī)律，DBSCAN 算法、OPTICS 算法和RNN-DBSCAN 算法在聚類內(nèi)部簇的過程中都會(huì)將最外層的數(shù)據(jù)樣本聚類進(jìn)來，導(dǎo)致一個(gè)簇中出現(xiàn)了很多本不屬于該簇的數(shù)據(jù)樣本，而OIR-DBSCAN 算法通過對(duì)核心距離和ε距離的調(diào)整計(jì)算出合適的半徑r，從而進(jìn)一步得到較好的聚類結(jié)果；在圖8 中，上下兩個(gè)簇有較大的密度差異，DBSCAN 算法中若Eps 取值小，則上面的簇會(huì)被分割成幾部分，如圖8（a）所示，RNN-DBSCAN算法和OPTICS 算法在聚類過程中將一個(gè)簇分成兩個(gè)，聚類效果較差，只有OIR-DBSCAN 算法能得到正確的聚類結(jié)果；在圖9 中，數(shù)據(jù)樣本的密度分布相對(duì)均勻，部分簇之間相連，經(jīng)過聚類結(jié)果分析發(fā)現(xiàn)4 種算法都有不錯(cuò)的聚類效果，其中OIR-DBSCAN聚類結(jié)果最好，RNN-DBSCAN 算法次之，OPTICS 算法相對(duì)最差；在圖10 中，簇內(nèi)樣本分布均勻，但兩個(gè)簇的密度差異大且簇間距離很近，這種數(shù)據(jù)集最能充分體現(xiàn)出OIR-DBSCAN 算法的優(yōu)越性，該算法針對(duì)不同密度的簇自適應(yīng)地計(jì)算出不同的半徑r進(jìn)行聚類，得到了較好的聚類結(jié)果，而DBSCAN 算法和OPTICS 算法在聚類右下角的簇時(shí)，將離該簇最近但本屬于左簇的部分?jǐn)?shù)據(jù)樣本聚類進(jìn)來，得到了錯(cuò)誤的聚類結(jié)果，RNN-DBSCAN 算法的聚類結(jié)果最差。

圖6 4 種算法在Compound 數(shù)據(jù)集上的聚類結(jié)果Fig.6 Clustering results of four algorithms on Compound dataset

圖7 4 種算法在Pathbased 數(shù)據(jù)集上的聚類結(jié)果Fig.7 Clustering results of four algorithms on Pathbased dataset

圖8 4 種算法在Jain 數(shù)據(jù)集上的聚類結(jié)果Fig.8 Clustering results of four algorithms on Jain dataset

圖9 4 種算法在Aggregation 數(shù)據(jù)集上的聚類結(jié)果Fig.9 Clustering results of four algorithms on Aggregation dataset

圖10 4 種算法在grid.orig 數(shù)據(jù)集上的聚類結(jié)果Fig.10 Clustering results of four algorithms on grid.orig dataset

通過圖6～圖10 所示的可視化對(duì)比實(shí)驗(yàn)分析可以得到，在Aggregation 等數(shù)據(jù)集上，其中一部分算法也可以達(dá)到較好的聚類效果。但總體來說，無論是密度不均勻的數(shù)據(jù)集還是普通數(shù)據(jù)集，OIRDBSCAN 算法都能夠得到很好的聚類結(jié)果。4 個(gè)聚類算法在人工數(shù)據(jù)集上性能的對(duì)比如表4 所示（粗體為最優(yōu)值）。4 種算法在聚類過程中達(dá)到最優(yōu)效果的具體參數(shù)取值如表5 所示。

表5 4 種算法在人工數(shù)據(jù)集上的參數(shù)值Table 5 Parameter values of four algorithms on artificial datasets

3.2 真實(shí)數(shù)據(jù)集

在人工數(shù)據(jù)集上，OIR-DBSCAN 算法表現(xiàn)出較好的聚類結(jié)果。為進(jìn)一步驗(yàn)證其聚類性能，還需要在真實(shí)數(shù)據(jù)集上進(jìn)行驗(yàn)證，UCI 數(shù)據(jù)集如表6所示。

表6 UCI 數(shù)據(jù)集Table 6 UCI datasets

在UCI 數(shù)據(jù)集中，因?yàn)楦呔S數(shù)據(jù)集可視化難度較大，所以通過聚類評(píng)價(jià)指標(biāo)ARI、NMI、homogeneity、completeness 和V-measure 進(jìn)行對(duì)比，聚類評(píng)價(jià)指標(biāo)的對(duì)比結(jié)果如表7 所示（粗體為最優(yōu)值）。在Pima 數(shù)據(jù)集中，DBSCAN 算法的NMI 值高于OIR-DBSCAN算法0.006 9，在Vote 數(shù)據(jù)集中，DBSCAN 算法的NMI 值高于OIR-DBSCAN算法0.013 9，但從整體對(duì)比結(jié)果來看，OIR-DBSCAN 算法的ARI、NMI 等評(píng)價(jià)指標(biāo)都明顯高于其他聚類算法。通過比較發(fā)現(xiàn)，OIR-DBSCAN 算法的聚類效果最好，DBSCAN 算法和OPTICS 算法次之，RNN-DBSCAN 算法效果相對(duì)最不理想。

表7 4 種算法在UCI 數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)對(duì)比Table 7 Comparison of evaluation index of four algorithms on UCI dataset

4 結(jié)束語

本文提出一種優(yōu)化初始點(diǎn)與自適應(yīng)半徑的密度聚類算法。將反向最近鄰和相似度矩陣相結(jié)合，迭代選取每次聚類開始的初始點(diǎn)，該初始點(diǎn)即為全局密度最大的樣本。優(yōu)化DBSCAN 算法中Eps 全局參數(shù)，調(diào)整核心距離ε'和ε距離之間的核距比與參數(shù)α得出最終半徑值r，使得密度稀疏的簇和密度稠密的簇分別對(duì)應(yīng)各自適合的r值，該參數(shù)具有較好的靈活性。實(shí)驗(yàn)結(jié)果證明，OIR-DBSCAN 算法可以正確聚類密度不均勻的數(shù)據(jù)集，而且對(duì)高維甚至簇間有重疊的數(shù)據(jù)集也有較好的聚類能力。本文算法在聚類大規(guī)模數(shù)據(jù)集時(shí)會(huì)出現(xiàn)聚類時(shí)間較長的現(xiàn)象，下一步將從改進(jìn)算法性能和提高聚類速度方向入手，以使算法的聚類效果達(dá)到最優(yōu)。