DBSCAN
具有噪声的基于密度的聚类方法
DBSCAN
DBSCAN是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，将簇定义为“密度相连的点的最大集合”。
Martin Ester等人于1996年提出。
原文：A density-based algorithm for discovering clusters in large spatial databases with noise.
（截至2020年01月9日，被引用次数已达16602次）
- 聚类的时候不需要事先指定簇的个数
- 最终的簇的个数不确定
参数
DBSCAN算法首先要确定两个参数：
- 半径（Eps或epsilon）
在一个点周围邻近区域的半径。若两点之间的距离小于或等于该值，则这些点被认为是相邻的。如果选择的eps值太小，则很大一部分数据不会聚集，将被视为异常点；如果选择的eps太大，则群集会被合并，会造成大多数对象处于同一群集中。因此，应该根据数据集的距离来选择eps；一般，eps的取值尽量取小。 - MinPts
邻近区域内至少包含点的个数。对于具有噪声的数据集，应考虑较大的MinPts；MinPts的最小值必须为3。数据集越大，对应选择的MinPts应越大。
