数据挖掘实验（八）：DBSCAN聚类 R语言

一、 实验目的

1. 了解DBSCAN算法基本原理；
2. 编写代码并实现DBSCAN算法对数据的聚簇

二、 实验步骤

1. 采用的数据集 ：R语言factoextra包里的multishapes数据集
   
2. 函数首先确定两个参数：
   （1）epsilon:在一个点周围邻近区域的半径
   （2）minPts:邻近区域内至少包含点的个数
   根据以上两个参数，可以把样本中的点分成三类：

核点：满足领域内的点>=minPts，则为核样本点
边界点：满足领域内的点<minPts，但是该点可由一些核点获得
噪声点：既不是核点也不是边缘点，则是不属于这一类的点

• 用欧式距离计算点与点之间的距离矩阵disMatrix
• 为数据集添加visited列，0表示未访问，1表示访问过
• 判断点的类型存放到data_N
• 删除噪声点存放到data_C
• 重新计算距离，合并有交集的领域
• 为不同类型的点标签
• 绘图

三、 实验代码

library(factoextra)
library(ggplot2)

data<-data.frame(multishapes[,1:2])

ggplot(data,aes(x,y))+geom_point()

#主函数
DBSCAN = function(data,eps,MinPts){
   

rows = nrow(data)
disMatrix<-as.matrix(dist(data, method = "euclidean"))#求距离

data$visited <- rep(0,rows)
names(data)<-c("x","y","visited")

data_N = data.frame(matrix(NA,nrow =rows,ncol