密度峰值聚类算法——心得总结

这是离开公司前做的最后一个算法，之前做的一些算法，由于老大的指点，少走了很多弯路，密度峰值聚类这个是纯粹自己做的，走了很多弯路，在这里和大家分享借鉴一下，共勉！

一、简单介绍及原理

顾名思义，这是一种基于密度的聚类算法，以高密度区域作为判断依据，这种非参数的方法，和传统方法比，适用于处理任何形状的数据集，而且无需提前设置簇的数量。

这里提到一个聚类中心的概念：类簇的中心是由一些局部密度较低的点所围绕，且这些点距离其他高密度的点的距离都比较远，通过计算最近邻的距离，得到聚类中心，并依据密度大小进行排列。

我在这里借鉴了——马春来，单洪，马涛.一种基于簇中心点自动选择策略的密度峰值聚类算法.计算机科学.2016，43（7）。这个文献中提供了一种自动选择策略的方法，大家有兴趣可以看一下。

对于一个数据集D={p₁，p₂，……p_n}的点p_i，计算每个点的局部密度ρ_i和相邻密度点的距离d_i，这里提出一个概念，簇中心权值：γ_i= ρ_i * d_i  。

通过将簇中心权值降序排列，我们可以通过下降的趋势（斜率）找出拐点所在。

下图为选择聚类中心的方法

省略了不少东西，大家可以下载那份文献自己细细研读。

二、一些遇到的问题及我的心得

1、有现成的代码固然好，但是别人的代码解决的问题终归和你的问题不一样。不如自己从头到尾撸一遍，结合自己的情况进行修改。

2、传统的密度峰值聚类需要自己设置参数，稍微加以改进可以扔掉参数，让它自己迭代。

3、为什么要将密度和距离相乘：这样可以避免某一项的值过小，导致特征不明显

4、注意归一化的问题，具体情况具体对待。（在归一化这个问题坑了我蛮久）

5、拐点的确定问题，在算法构建的初始阶段，最好人工重复确认一下，避免盲目自信到后面找不到问题所在。

6、若某两个或多个聚类点距离较近，将其归为一个同一个聚类中心。