聚类算法之基于密度的聚类算法DBSCAN算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

DBSCAN算法最重要的两个参数是$\epsilon$和$MinPts$，其中$\epsilon$描述了某一样本的邻域距离阈值，$MinPts$描述了某一样本的距离为$\epsilon$的邻域中样本个数的阈值。

DBSCAN算法中的概念

$\epsilon$： 包含样本集$D$中与某个样本$x$的距离不大于$\epsilon$的子样本集。
核心对象： 对于任意一个样本$x$，若其$\epsilon$邻域中至少包含$MinPts$个样本，则该样本$x$是核心对象。
密度直达： 若$x_i$位于$x_j$的$\epsilon$邻域中，且$x_j$是核心对象，则称$x_i$由$x_j$密度直达，反之不一定成立。
密度可达： 对于$x_i$和$x_j$，若存在样本序列$\left\{\begin{array}{c}{P}_1,P_2,...,P_t\end{array}\right\}$，满足$P_1$