DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚類演算法，它是一種基於高密度連通區域的、基於密度的聚類演算法，能夠將具有足夠高密度的區域劃分為簇，並在具有噪聲的資料中發現任意形狀的簇。

DBSCAN演算法的思想其實很簡單，粗俗點說就是一圈套一圈套一圈套一圈………………然而，要搞清楚它，首先要弄清楚幾個基本概念。

基本概念
1、物件o是一個核心物件。物件o的ε-領域是與o為中心，以ε為半徑的空間。
2、MinPts指定稠密區域的密度閥值。如果一個物件的ε-區域至少包含MinPts個物件，則該物件是核心物件。
3、直接密度可達：如果物件p在核心物件q的ε

來個圖說明一下：

由上圖可看出m,p,o.r 都是核心物件，因為他們的內都只是包含3個物件。

1.物件q是從m直接密度可達的。物件m從p直接密度可達的。
2.物件q是從p（間接）密度可達的,因為q從m直接密度可達，m從p直接密度可達。
3.r和s是從o密度可達的，而o是從r密度可達的，所有o,r和s都是密度相連的。

演算法執行流程

如果，仔細研究這個演算法，相信你會對我之前說的是一圈套一圈套一圈套一圈（實際上是密度可達的含義），會有所體會，哈哈^_^

OK，看一下虛擬碼吧。

到這裡，Jiawei書上關於DBSCAN的部分就講解完了，然而看過西瓜書的同學可能會發現，這裡的做法與西瓜書上，會有些許不同

實際上，對比Jiawei和周志華老師的演算法，你會發現差別並不大。只是在起始的時候會有一些區別，而演算法推進策略是完全一樣的。

OK，至此，DBSCAN演算法結束了。
下面給幾點需要注意的。
1、大家在看到上面的那個圖的時候，容易過分具象化簇了。為什麼這麼說呢？因為一般的講義都是把簇畫成圓形，並且給出了核心點和半徑。這樣便於大家理解演算法的思想。但實際上，大家要注意。DBSCAN是可以發現任意形狀的簇的，因為它是基於密度的呀

2、DBSCAN演算法需要選擇一種距離度量，對於待聚類的資料集中，任意兩個點之間的距離，反映了點之間的密度，說明了點與點是否能夠聚到同一類中。由於DBSCAN演算法對高維資料定義密度很困難，所以對於二維空間中的點，可以使用歐幾里德距離來進行度量。
3、DBSCAN演算法需要使用者輸入半徑和閥值。前面也提到過，要求使用者輸入引數基本上都是不靠譜的，這裡DBSCAN演算法經過反覆的實驗，給出了一般的標準化引數，即半徑=4，閥值=4。
具體，引數值是如何確定的，DBSCAN也是採用了一般的處理方法。而具體是什麼，因為該處理方法是比較通用的，所以以後再說吧。

參考文章
DBSCAN聚類原理
資料探勘（概念與技術）-第三版-Jiawei Han-P307