聚类算法K-means能够处理一些聚类问题，但是其本身存在缺点：1.对噪声（奇异点）很敏感；2.易收敛于局部最优解；3.不能发现非球状簇。

       具体应用时，需要提前设置K值，且K值对运算过程和结果的影响很大；对于不规则聚类的处理效果很差，如下图所示：

      本文将提出另一种聚类算法，基于密度的聚类算法——DBSAN，它能够很好地解决上面实际应用中存在的问题。

一、  密度聚类、DBSCAN

1、密度聚类的核心思想：

    1)   簇群是数据空间中的密集区域，在低密度区域处隔开；

    2)  一个簇被定义为最大的密度连接点集；

    3)  能够找到任意形状的簇集。

2、基本概念

    1)  DBSCAN算法中有两个重要参数 ：ε和MinPts，前者为密度定义时的邻域半径，后者是定义核心点时的阈值（也就是可以构成一个cluster的所需之最小的点数）；

    2)  ε邻域：以p对象为中心，半径为ε的圆形或球形空间内所有对象的集合；p的ε邻域：

    3)  高密度：ε邻域内至少包括MinPts个对象；低密度：ε邻域内对象少于MinPts个。因此上图中，p的密度为高密度，q的为低密度。

    4)  三种类型的点：

       ①  核心点：高密度点，它是位于cluster内部的点，属于某特定簇的点；

       ②  边界点：低密度点，但其与核心点相邻