scikit-learn, plotly, visdom DBSCAN聚类, 可视化处理

DBSCAN算法定义解析

DBSCAN（Density-Based Spatial Clustering of Applications with Noise） 不同于k-means ，DBSCAN是一种密度聚类算法。
DBSCAN不需要指定分类的个数（k），而是指定区域密度（区域范围：半径ε；范围被判为分类的最低数据个数：MinPts），通过访问数据集中的数据，确定其是否为核心对象（以该点为中心半径ε范围内，数据个数多余MinPts），将该核心对象的密度可达对象作为一个分类。持续这样的过程，直到所有点都被访问过结束。
DBSCAN的优势是能够过滤掉低密度样本，即可以应用这个特性过滤噪声数据；而且不用确定分类个数，因此在处理大数据数据时难以预知聚类的个数的话，可以使用DBSCAN。

例子来源：scikit-learn官方教程

数据集准备

关于数据生成的具体方式，上一篇文章中已有详尽说明，此处不再赘述：

    from sklearn.datasets.samples_generator import