OPTICS聚类算法原理详解

OPTICS 是一种基于密度的聚类算法，是 DBSCAN 的扩展，能够处理不同密度的簇。
算法需要的参数：邻域半径ε，最小点数minPts。若需要提取簇，则需要参数ε'，其取值≤ε。

1.核心概念定义：

1.1核心距离：对于任意点x和参数minPts，核心距离dcore(x)是x到其第minPts个最近邻的距离。若x的邻居数|Nε(x)|<minPts，则dcore(x)=∞；若|Nε(x)|≥minPts，dcore(x)值取点x的第minPts个近邻的距离值。核心距离表示点x是否为核心点，核心点能生成簇。
如数据集的坐标分别是（1，1，1），（0，0，0），（0，0.5，0），（1，1，0.5）
设置最小点数minPts为2，请找出点（1，1，1）的核心距离。则dcore((1,1,1))=1.5;
在python代码中的实现方式如下：

1.2可达距离：对于点x和其邻近点o，可达距离的计算方式为：

其中d(x,o)是点x和点o的欧式距离。可达距离表示从核心点x到点o的密度连接成本。对点o来说，它的可达距离是基于核心点x计算的，若没有前驱核心点x，则点o的可达距离为UNDEFINE(即初始值∞)。

2.算法整体实现流程图：

2.1主流程：

2.2簇扩展：

其详细实现如下图：

2.3优先队列Seeds更新：

具体步骤如下：