基于密度的聚类算法：DBSCAN

这是一种基于密度的，可在噪声环境下聚类的无监督机器学习算法。

算法描述如下：

考虑一组在一个空间中待聚类的点，设参数 为一个点的领域半径；

算法 DBSCAN 将这些点分成三类：核心点（），可达点（），外部点（）

1. 若一个点 的领域 内，至少有 个点，则点 为核心点；

2. 若一个点 在核心点 的领域 内，则点 为直接可达点（注意到直接可达点仅是相对于核心点而言）；

3. 若存在一条路径 ，其中 ，且每个  都是 的直接可达点，则点 是点 的可达点（注意到，这意味着  都必须是核心点， 可能不是）；

4. 其他对于任意核心点都不是可达点的点，则被成为外部点或噪声点。

现在，若点 是核心点，则这个点集就会被分类为两部分：可达点和边缘点；

而根据定义，点的可达性（）不是对称的概念，只有核心点可以到达非核心点，反之不可达，因此还需要一个概念：连通性（），若对于点 和点 ，存在点 ，使得 都是点 的可达点，则 是密度连通的（）。

算法 DBSCAN 基本流程：

1. 找到所有点的领域的点，并标记出哪些点是核心点；

2. 在邻域图中，找到核心点的连通组成，忽略所有非核心点；

3. 对于每个非核心点，若可归类于某个核心点的连通域，则直接归类，否则视为噪点。

算法复杂度：由于 DBSCAN 需要计算每两个点之间的距离，因此其复杂度为 。

算法参数：在上面的描述中，可以发现 DBSCAN 需要两个参数，分别是邻域半径 和密度参数

参考：

https://en.wikipedia.org/wiki/DBSCAN#Extensions

https://towardsdatascience.com/explaining-dbscan-clustering-18eaf5c83b31