机器学习之经典算法（十五）DBSCAN算法

   一、DBSCAN算法简介：

     DBSCAN(Density-Based SpatialClustering of Application with Noise)，是一种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。其目标是寻找被低密度区域分离的高密度区域，通俗点说就是把扎堆的点（高密度）找出来，而点很少很稀疏的地方（低密度）就作为分割区域。

    （1）  基本原理：

    ① DBSCAN通过检查数据集中每点的Eps邻域来搜索簇，如果点p的Eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；

    ②  然后，DBSCAN迭代地聚集从这些核心对象直接密度可达的对象，这个过程可能涉及一些密度可达簇的合并；

    ③ 当没有新的点添加到任何簇时，该过程结束。

    优点：

    ①  与K-means方法相比，DBSCAN不需要事先知道要形成的簇类的数量。

    ②  与K-means方法相比，DBSCAN可以发现任意形状的簇类。同时，DBSCAN能够识别出噪声点。

    ③  DBSCAN对于数据库中样本的顺序不敏感，即Pattern的输入顺序对结果的影响不大。

    缺点：