這是離開公司前做的最后一個算法，之前做的一些算法，由於老大的指點，少走了很多彎路，密度峰值聚類這個是純粹自己做的，走了很多彎路，在這里和大家分享借鑒一下，共勉！
一、簡單介紹及原理
顧名思義，這是一種基於密度的聚類算法，以高密度區域作為判斷依據，這種非參數的方法，和傳統方法比，適用於處理任何形狀的數據集，而且無需提前設置簇的數量。
這里提到一個聚類中心的概念：類簇的中心是由一些局部密度較低的點所圍繞，且這些點距離其他高密度的點的距離都比較遠，通過計算最近鄰的距離，得到聚類中心，並依據密度大小進行排列。
我在這里借鑒了——馬春來，單洪，馬濤.一種基於簇中心點自動選擇策略的密度峰值聚類算法.計算機科學.2016，43（7）。這個文獻中提供了一種自動選擇策略的方法，大家有興趣可以看一下。
對於一個數據集D={p1，p2，……pn}的點pi，計算每個點的局部密度ρi和相鄰密度點的距離di，這里提出一個概念，簇中心權值：γi= ρi * di 。
通過將簇中心權值降序排列，我們可以通過下降的趨勢（斜率）找出拐點所在。
下圖為選擇聚類中心的方法
省略了不少東西，大家可以下載那份文獻自己細細研讀。
二、一些遇到的問題及我的心得
1、有現成的代碼固然好，但是別人的代碼解決的問題終歸和你的問題不一樣。不如自己從頭到尾擼一遍，結合自己的情況進行修改。
2、傳統的密度峰值聚類需要自己設置參數，稍微加以改進可以扔掉參數，讓它自己迭代。
3、為什么要將密度和距離相乘：這樣可以避免某一項的值過小，導致特征不明顯
4、注意歸一化的問題，具體情況具體對待。（在歸一化這個問題坑了我蠻久）
5、拐點的確定問題，在算法構建的初始階段，最好人工重復確認一下，避免盲目自信到后面找不到問題所在。
6、若某兩個或多個聚類點距離較近，將其歸為一個同一個聚類中心。