聚类分析：基于密度聚类的DBSCAN算法

对于簇形状不规则的数据，像k-means（聚类分析: k-means算法）这种基于划分的方法就不再适用了，因为划分方法（包括层次聚类算法）都是用于发现“球状簇”的。比如下面两个图中，Fig.1所示的数据分布用k-means作聚类是没有问题的，但是对于Fig.2就不行了，会把大量的噪声或者离群点也包含在簇中。

解决这种任意簇形状的聚类问题，就要采用一种与划分聚类或者层次聚类不同的聚类方法——基于密度聚类。对于基于密度的聚类，最常用的算法就是本文要说的DBSCAN（Density-Based Spatial Clustering of Application with Noise），简单直译过来就是“具有噪声应用的基于密度的空间聚类”。

概念介绍

在讲解DBSCAN具体的工作原理之前，先介绍关于这个算法的一些专门定义的概念。

• 核心对象：一个数据点可被称为核心对象，如果以这个数据点为球心，以长度$\epsilon$为半径的超球面区域内，至少有$MinPts$个数据点。为了后面叙述简单，我将这个核心对象称为$(\epsilon, MinPts)$-核心对象，将它的这个球面区域称为核心对象的$\epsilon$-邻域。

• 直接密度可达：对于$(\epsilon, MinPts)$-核心对象$O_1$和对象$O_2$，我们说$O_2$是从$O_1$直接密度可达的，如果$O_2$在$O_1$的$\epsilon$-邻域内。注意，这里只要求$O_1$是核心对象，而