dbscan是一种基于密度的空间聚类算法

参考文献： 百度百科http://baike.baidu.com**

我的算法库： https://github.com/linyiqun/lyq-algorithms-lib

算法介绍

提及聚类算法时，若曾阅读过笔者撰写的有关机器学习算法的相关文章，想必对这一类方法已有所了解。此前介绍过划分式算法（如K均值算法）以及层次聚类算法（如BIRCH算法），它们各自具备一定的优势与不足。本文所探讨的算法属于另一种类型的聚类方法，其特点在于能够突破BIRCH算法在形状方面的局限性。由于BIRCH更倾向于生成球形结构的聚类结果，而DBSCAN则是基于空间密度的原理进行运算，因此该方法可以适用于各种形态的数据集，实现更为灵活的聚类效果。

算法原理解析

在阐述算法原理之前，先对dbscan算法中涉及的若干基本概念进行定义说明：

Ε邻域：对于某一特定对象，其周围半径为Ε的区域被定义为该对象的Ε邻域；
核心对象：若某一对象的Ε邻域内包含的样本点数量不低于MinPts，则该对象被判定为核心对象；
直接密度可达：在样本集合D中，若样本点q位于p的Ε邻域范围内，并且p属于核心对象，则称q从p直接密度可达；
**密度可