[发明专利]样本聚类方法、装置、设备及存储介质

说明书

本发明实施例公开了一种样本聚类方法、装置、设备及存储介质，涉及数据处理领域，其包括：统计样本集中每个样本对应的第一样本距离，第一样本距离为样本与样本的第S近邻样本之间的距离；在全部第一样本距离中，获取设定距离范围内的第一样本距离；基于设定距离范围内的第一样本距离计算距离均值；基于每个样本对应的K近邻样本集合，确定每个样本的全部连接样本，其中，K＞S，样本与样本的连接样本为互为近邻样本且存在连接关系；根据连接样本、距离均值和S值对样本集中的样本进行聚类，距离均值为扫描半径，S值为聚类最小包含样本数。采用上述方法可以解决现有技术中DBSCAN算法对于密度不均的样本集无法合理聚类的技术问题。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种样本聚类方法、装置、设备及存储介质。

背景技术

聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。如今，聚类分析被广泛用于各类领域中，并且随着聚类分析的广泛应用，各类聚类算法应运而生。例如，K-MEANS算法、K-MEDOIDS算法、BIRCH算法、CURE算法、DBSCAN算法、OPTICS算法等。其中，DBSCAN算法是一个比较有代表性的基于密度的聚类算法，其需要人工输入两个参数：一个为扫描半径，记为eps；另一个为最小包含点数，记为minPts，并通过两个参数在样本集中找到密度相连对象的最大集合。发明人在实现本发明的过程中，发现现有技术存在如下缺陷：基于DBSCAN算法对样本集进行聚类时，对于密度不均的样本集而言，若扫描半径较小，则对于密度稀疏的样本而言，容易被认为是噪声点而剔除，若扫描半径较大，则易将距离较远的样本聚为一类，此时，无法保证样本聚类的准确性。

综上，如何在DBSCAN算法下，对于密度不均的样本集进行合理聚类，成为了亟待解决的问题。

发明内容

本发明提供了一种样本聚类方法、装置、设备及存储介质，以解决现有技术中DBSCAN算法对于密度不均的样本集无法合理聚类的技术问题。

第一方面，本发明实施例提供了一种样本聚类方法，包括：

统计样本集中每个样本对应的第一样本距离，所述第一样本距离为所述样本与所述样本的第S近邻样本之间的距离；

在全部所述第一样本距离中，获取设定距离范围内的第一样本距离；

基于所述设定距离范围内的第一样本距离计算距离均值；

基于每个所述样本对应的K近邻样本集合，确定每个样本的全部连接样本，其中，K＞S，所述样本与所述样本的连接样本为互为近邻样本且存在连接关系；

根据所述连接样本、所述距离均值和S值对所述样本集中的样本进行聚类，所述距离均值为扫描半径，所述S值为聚类最小包含样本数。

进一步的，所述根据所述连接样本、所述距离均值和S值对所述样本集中的样本进行聚类包括：

基于所述距离均值对全部所述连接样本进行过滤，以滤除第二样本距离大于所述距离均值的连接样本，所述第二样本距离为样本与所述样本的连接样本之间的距离；

基于S值和过滤后得到的连接样本对所述样本集中的样本进行聚类。

进一步的，所述基于S值和过滤后得到的连接样本对所述样本集中的样本进行聚类包括：

依次统计每个样本的连接样本总数量；

将所述连接样本总数量大于S值的样本作为核心样本；

在得到的全部核心样本中，选择任一核心样本作为当前样本；

访问所述当前样本的全部连接样本；

将访问得到的每个连接样本分别作为顶点，并访问所述顶点对应的全部连接样本；