（1）聚類速度快且能夠有效處理雜訊點和發現任意形狀的空間聚類；
（2）與 k-means 比較起來，不需要輸入要劃分的聚類個數；
（3）聚類簇的形狀沒有偏倚；
（4）可以在需要時輸入過濾雜訊的引數。
（1）當資料量增大時，要求較大的記憶體支援i/o消耗也很大；
（2）當空間聚類的密度不均勻、聚類間距差相差很大時，聚類質量較差，因為這種情況下引數min
ptsminpts
minpts
和e ps
epsep
s選取困難。
（3）演算法聚類效果依賴與距離公式選取，實際應用中常用歐式距離，對於高維資料，存在「維數災難」。
e ps
epsep
s——距離閾值，該聚類演算法中把距離當做密度表達，距離如何計算也很重要。
m in
ptsminpts
minpts
——形成乙個核心點所需要最小的直接可達點數，例如改引數設定為5，eps
epsep
s設定為2，那麼乙個核心點（包含自己）形成的條件是該核心店距離閾值2以內至少有5個點。
待聚類點分為三類：
直接可達點核心點距離閾值內的點成為直接可達點
可達點屬於不同核心點的直接的可達點通過核心點組成的路徑（相鄰核心點之間在各自距離閾值內）相連，那麼這些直接可達點被稱為可達點
局外點既不是核心點也不是直接可達點也不是可達點被稱為局外點，也可叫做雜訊點
# 建立figure
fig = plt.figure()
# 用來正常顯示中文標籤
matplotlib.rcparams['font.sans-serif'] = [u'simhei']
# 用來正常顯示負號
matplotlib.rcparams['axes.unicode_minus'] = false
x1, y1 = datasets.make_circles(n_samples=5000, factor=.6,
noise=.05)
x2, y2 = datasets.make_blobs(n_samples=1000, n_features=2,
centers=[[1.2,1.2]], cluster_std=[[.1]],random_state=9)
# 原始點的分布
ax1 = fig.add_subplot(311)
x = np.concatenate((x1, x2))
plt.scatter(x[:, 0], x[:, 1], marker='o')
plt.title(u'原始資料分布')
plt.sca(ax1)
"""# k-means聚類
from sklearn.cluster import kmeans
ax2 = fig.add_subplot(312)
y_pred = kmeans(n_clusters=3, random_state=9).fit_predict(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.title(u'k-means聚類')
plt.sca(ax2)
"""# dbscan聚類
from sklearn.cluster import dbscan
ax3 = fig.add_subplot(313)
y_pred = dbscan(eps = 0.1, min_samples = 10).fit_predict(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.title(u'dbscan聚類')
聚類演算法 DBSCAN
dbscan 是一種簡單的，基於密度的聚類演算法。本次實現中，dbscan 使用了基於中心的方法。在基於中心的方法中，每個資料點的密度通過對以該點為中心以邊長為 2 eps 的網格 鄰域 內的其他資料點的個數來度量。根據資料點的密度分為三類點 1 核心點 該點在鄰域內的密度超過給定的閥值 minps...
DBSCAN聚類演算法
基於密度定義，我們將點分為 dbscan演算法的本質就是隨大流，邊界點緊緊圍繞著核心點，他們抱團，不帶噪點玩兒 小團體多了，聯絡比較密切的小團體之間聚成了同個類 比較偏遠的小團體想要加入這個圈子，進不去，就單幹，我們自己玩自己的，聚成了另外的乙個類 一開始就被孤立的噪點吧，自然有自己的傲骨，接著孤芳...
DBSCAN 聚類演算法
dbscan演算法是一種基於密度聚類的演算法。核心概念 核心點 若某個點的密度達到演算法設定的閾值 即 r 鄰域內點的數量不小於 minpts 則其為核心點。直接密度可達 若某點p在點q的 r 鄰域內，且q是核心點，則稱p從q出發直接密度可達。密度可達 若有乙個點的序列q0 q1 qk，對任意qi從...