文章目录
- 一、简介
- 二、算法步骤
- 三、实现代码
- 四、实现效果
- 参考资料
一、简介
DBSCAN算法，全称为“Density-Based Spatial Clustering of Applications with Node”，也就是“基于密度的聚类”。此类算法是假设聚类结构能通过样本分布的紧密程度确定，从样本密度的角度来考察样本之间的可连续性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。
DBSCAN算法做为一种有名的密度聚类算法，它是通过邻域参数(Distance,MinPts)来刻画样本分布的紧密程度。而在真正开始之前，首先要理解下面这几个概念：
核心对象：x1、x2，也就是满足邻域参数(Distance,MinPts)条件的点。
密度直达：x2由x1密度直达。
密度可达：x3由x1密度可达。
密度相连：x3与x4密度相连。
具体的定义可以参看：《机器学习》这本书，我这里只是简单的说明一下这几个概念。
二、算法步骤
1、初始化核心对象
