DBScan algoritması(Density-Based Spatial Clustering of Applications with Noise)

DBScan uzaklık baz alan bir kümeleme algoritması. Data Mining’de fazlaca kullanılan ve fazlacada geliştirilmiş hali bulunan bir algoritma. Ekte Java ile yaptığım implementasyonunu paylaşıyorum. Algoritma Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu’nun 1996 tariflediği şekilde implemente edilmeye çalışıldı.
Algoritma adımları aşağıdaki gibidir;

DBSCAN (SetOfPoints, Eps, MinPts)
ClusterId := nextId(NOISE);
FOR i FROM 1 TO SetOfPoints.size DO
Point := SetOfPoints.get(i);
IF Point.ClId = UNCLASSIFIED THEN
IF ExpandCluster(SetOfPoints, Point,ClusterId, Eps, MinPts) THEN
ClusterId := nextId(ClusterId)
END IF
END IF
END FOR
END;

ExpandCluster;

ExpandCluster(SetOfPoints, Point, ClId, Eps,MinPts) : Boolean;
seeds:=SetOfPoints.regionQuery(Point,Eps);
IF seeds.size less than minpts THEN
SetOfPoint.changeClId(Point,NOISE);
RETURN_False;
ELSE
 reachable_from_Point;
SetOfPoints.changeClIds(seeds,ClId);
seeds.delete(Point);
WHILE seeds <> Empty DO
currentP := seeds.first();
result := SetOfPoints.regionQuery(currentP,Eps);
IF result.size >= MinPts THEN
FOR i FROM 1 TO result.size DO
resultP := result.get(i);
IF resultP.ClId IN {UNCLASSIFIED, NOISE} THEN
IF resultP.ClId = UNCLASSIFIED THEN
seeds.append(resultP);
END IF;
SetOfPoints.changeClId(resultP,ClId);
END IF;
END FOR;
END IF;
seeds.delete(currentP);
END WHILE;
RETURN True;
END IF;
END;

implementasyonum