基于密度的聚类

k-means算法的缺陷是不能聚类哪些非凸的数据集，k-means聚类的形状一般只能是球状的，不能推广到任意的形状。如果S中任两点的连线内的点都在集合内。就是没有凹进去的部分。这就是凸集的定义。k-means本质上是将样本空间划分成k个Voronoi区域（泰森多边形），决定了划分结果的K个簇一定是凸集。基于密度的聚类方法，可以聚类任意的形状。为什么基于密度的聚类方法，可以聚类任意的形状呢？因为基于密度的聚类是点与点的连接，所以可以聚类任意形状的数据集。
半径eps和密度阈值，每个数据点有一个半径为eps的邻域；如果这个邻域内包含的点超过了密度阈值，那么记这个点为
核心对象。如果某个点的邻域内的点数小于密度阈值，且该点在某个核心点的邻域内，则称这个点为边界点。其他的点
称为噪声点。核心点邻域内的所有点都是该核心点的直接密度直达。而且密度直达的传递性可以推到出密度可达。
如果某两个点都可以由一个点密度可达，那么这“某两个点”密度相连。将密度相连的点连接在一起，就形成了聚类簇。