針對聚類K-means算法中不能對特定形狀的樣本進行分類，提出了一種新的聚類算法（DBSCAN）。
DBSCAN 是一種著名的密度聚類算法更耻，它基于一組“鄰域”參數(shù)來刻畫樣本分布的緊密程度。
7.1 基本概念
DBSCAN：Density-Based Spatial Clustering of Applications with Noise
核心對象：若某個點的密度達到算法設(shè)定的閾值則其為核心點。即r領(lǐng)域內(nèi)點的數(shù)量不小于minPts誉己。
距離閾值：設(shè)定的半徑r
直接密度可達：若某點p在點q的r領(lǐng)域內(nèi)，且q是核心點袱蜡，則p-q直接密度可達镜沽。
密度可達：若有一個點的序列q0、q1、...、qk结澄，對任何qi-(qi-1)是直接密度可達的。稱從q0-qk密度可達岸夯。
密度相連：若從某核心點p出發(fā)麻献，點q和點k都是密度可達的。則稱q和點k是密度相連的猜扮。
邊界點：屬于某一個類的非核心點勉吻，不能發(fā)展下線了。
噪聲點：不屬于任何一個類簇的點旅赢，從任何一個核心點出發(fā)都是密度不可達的齿桃。
7.2 算法思想
這個算法很有意思，總結(jié)8個字就是：畫圈找點，發(fā)展下線
設(shè)定參數(shù)D：輸入數(shù)據(jù)集；參數(shù):指定半徑缚忧；MinPts：密度閾值
1. 標記所有對象為unvisited
2. Do
3. 隨機選擇一個 unvited 對象 p；
4. 標記 p 為visited香到；
5. if p 的 e-（半徑范圍內(nèi)） 領(lǐng)域內(nèi)至少有 MinPts 個對象
創(chuàng)建一個新簇 C，并把p添加到C；
令 N 為 p 的 e- 領(lǐng)域中的對象集合
for N 中每個點 p
if p 是 unvisited
標記 p 為visited
if p 的e-領(lǐng)域至少有 MinPts 個對象悠就，把這些對象添加到N千绪；
如果 p 還不是任何簇的成員，把 p 添加到 C理卑；
End for翘紊；
輸出 C；
Else 標記 p 為噪聲藐唠；
Unitl 沒有標記為unvisited 的對象。
參數(shù)選擇：
半徑e：給定數(shù)據(jù)集P={p(i);i=0,1,...,n},計算點P(i)到集合D的子集S中所有點之間的距離鹉究，距離按照從小到大的順序排序宇立， d(k)就被稱為k-距離。
MunPts： k-距離中k的值自赔，一般取的小一些妈嘹，多次嘗試
7.3 優(yōu)劣勢
優(yōu)勢：
- 不需要指定簇個數(shù)
- 可以發(fā)現(xiàn)任意形狀的簇
- 擅長找到離群點
- 兩個參數(shù)就夠了
劣勢：
- 高維數(shù)據(jù)有些困難（可以做降維）
- 參數(shù)難以選擇（參數(shù)對結(jié)果的影響非常大）
- Sklearn中效率很慢（數(shù)據(jù)削減策略）
