聚类DBSCAN算法分析

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法

DBSCAN的主要优点是：
它不需要用户先验地设置簇的个数，可以划分具有复杂形状的簇，还可以找出不属于任何簇的点。
DBSCAN比凝聚聚类和k均值稍慢，但仍可以扩展到相对较大的数据集。

DBSCAN的原理是：
识别特征空间的“拥挤”区域中的点，在这些区域中许多数据点靠近在一起。这些区域被称为特征空间中的密集（dense）区域。

DBSCAN背后的思想是:
簇形成数据的密集区域，并由相对较空的区域分隔开。
在密集区域内的点被称为核心样本（core sample，或核心点），它们的定义如下。

DBSCAN 有两个参数：min_samples和eps。如果在距一个给定数据点eps的距离内至少有min_samples个数据点，那么这个数据点就是核心样本。DBSCAN将彼此距离小于eps的核心样本放到同一个簇中。

通俗解释：

https://blog.csdn.net/huacha__/article/details/81094891