点迹聚类DBSCAN代码

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的无监督聚类算法，用于识别高密度区域并将其标记为核心点、边界点或噪声点。以下是Python中使用scikit-learn库实现DBSCAN的基本步骤：

from sklearn.cluster import DBSCAN
import numpy as np

# 假设data是一个二维numpy数组，包含样本数据
data = np.array([[...], [...], ...])  # 你需要替换这里的`...`为实际的数据

# 初始化DBSCAN模型，设置epsilon（邻域半径）和minimum_samples（核心点的最小邻居数）
db = DBSCAN(eps=0.3, min_samples=5)

# 对数据应用DBSCAN
dbscan_labels = db.fit_predict(data)

# `dbscan_labels`是一个整数数组，每个元素表示样本属于哪一类（核心点、边缘点或噪声）
core_samples_mask = np.zeros_like(dbscan_labels, dtype=bool)
core_samples_mask[dbscan_labels == db.core_sample_indices_] = True

# 可视化结果，这里使用matplotlib
import matplotlib.pyplot as plt
plt.scatter(data[:, 0], data[:, 1], c=dbscan_labels, cmap='viridis')
plt.title("DBSCAN Clustering")
plt.show()