如何用DBSCAN聚类模型做数据分析？

DBSCAN属于无监督学习算法，无监督算法的内涵是观察无标签数据集自动发现隐藏结构和层次，在无标签数据中寻找隐藏规律。

聚类模型在数据分析当中的应用：既可以作为一个单独过程，用于寻找数据内在规律，也可以作为分类等其他分析任务的前置探索。

上篇我们讲了基于原型的k-means聚类算法，这篇我们来讲通常情况下聚类效果表现更优异的密度聚类DBSCAN。

 什么是DBSCAN

DBSCAN是一种基于密度的考虑到噪音的空间聚类算法。简单来讲，给定一组点，DBSCAN将彼此距离（欧几里得距离）很近的点聚成一类，同时它还将低密度区域中的点标记为异常值（outlier）。要了解DBSCAN算法，我们先来熟悉一些关键概念：

• 数据点密度：某数据点指定的半径中点的数量即称为密度；

• 核心对象/核心点：如果指定半径(ε)内的数据点数量超过了规定的点数量(Minpts)，那么该点即称为核心点；

• 边界点：如果某点的半径(ε)内的点数量少于规定的点数量(Minpts)，不能发展下线，但是却在核心点的邻域内，那么该点称为边界点；

  </