AI 词汇表
人工智能完整词典
DBSCAN
基于密度的聚类算法，将足够接近的点分组在一起，同时将低密度区域中的孤立点标记为异常值。
Epsilon (ε)
定义点周围邻域半径的参数，用于确定点是否属于聚类，直接影响聚类的粒度。
MinPts
阈值参数，定义ε邻域中所需的最少点数，以使一个点被认为是核心点。
Point Core
聚类的中心点，在其ε邻域中至少有MinPts个点，作为形成密集簇的锚点。
Point Border
位于聚类外围的点，没有足够的邻居成为核心点，但可以从核心点到达。
Point Noise
不属于任何聚类的点，因为它既不是核心点，也不是从核心点可达的，通常被视为异常。
Voisinage ε
距离给定点小于或等于ε的所有点的集合，构成DBSCAN中密度计算的基础。
Densité-directement atteignable
一种关系，其中如果点q位于核心点p的ε邻域内，则q可以从p直接访问。
密度可达
一种传递关系，其中一个点可以通过一系列密度直接可达的点从核心点到达。
密度连通
一种对称关系，如果存在一个共同的核心点，两个点都可以从该核心点密度可达，则这两个点是连通的。
OPTICS
扩展DBSCAN的算法，它产生一个基于密度的聚类顺序，允许提取不同密度的簇。
HDBSCAN
DBSCAN的层次化变体，它构建一个不同密度簇的层次结构，并自动选择稳定的簇。
R树索引
空间索引数据结构，优化了ε半径内的邻居搜索，显著加速了大型数据集上的DBSCAN。
维度诅咒
在高维空间中，距离度量失去其意义的现象，影响了基于密度算法的性能。
轮廓系数
衡量簇内聚性和簇间分离性的评估指标，用于优化ε和MinPts参数。
任意形状的簇
DBSCAN的主要优势，能够检测非凸和复杂形状的簇，不像K-means等算法。
异常检测
DBSCAN的自然应用，其中被识别为噪声的点对应数据中的异常值或离群值。
空间分区
将数据空间划分为基于密度的区域的过程，这是DBSCAN和类似算法运作的基础。
邻域图
一种图形表示，其中节点是点，边连接ε邻域内的点，用于可视化密度结构。
可达距离
OPTICS和HDBSCAN中使用的修改距离，考虑局部密度以根据可达性对点进行排序。
核心距离
一个点成为核心点所需的最小距离，计算为到第MinPts个最近邻的距离。