31、聚类：理论与实践方面

聚类：理论与实践方面

1. OPTICS 算法

1.1 相关定义

在聚类分析中，OPTICS 算法有一些重要的定义。对于对象 $o_i$，若 $reachm(o_i) \leq reachm(o_{i + 1})(1 - \xi)$，则称 $o_i$ 为 $\xi$-陡峭上升对象；若 $reachm(o_i)(1 - \xi) \leq reachm(o_{i + 1})$，则称 $o_i$ 为 $\xi$-陡峭下降点。

在对象列表 $L$ 中的区间 $I = [o_s, o_e]$，若满足以下条件，则称其为 $\xi$-陡峭上升区域：
1. $o_s$ 是 $\xi$-陡峭上升对象；
2. $o_e$ 是 $\xi$-陡峭上升对象；
3. 位于 $o_s$ 和 $o_e$ 之间的每个对象的可达距离不减小；
4. $I$ 中连续非 $\xi$-陡峭上升的对象不超过 $m$ 个；
5. $I$ 是满足上述属性的最大区间。

类似地，可以定义 $\xi$-陡峭下降区域。

1.2 算法复杂度

OPTICS 算法运行起来比 DBSCAN 算法更昂贵，这是因为它使用了优先堆，并且最近邻查询比 DBSCAN 的半径查询更复杂。

2. R 语言中的密度聚类

2.1 生成二维人工数据集

可以使用以下代码生成一个由四个高斯聚类组成的二维人工数据集，每个聚类包含 100 个点：

set.seed(665544)
n <- 400
z <