通俗理解：隨機找到乙個核心點的時候，就建立乙個簇，裡面的所有點，是它的下線，然後一直發展下線，一般邊界點就不會繼續發展了，裡面的核心點繼續發展下線，並且需要把訪問的點標記為已訪問，知道該核心點結束，繼續訪問剩下的點找到乙個新的核心，繼續發展下線，每次沒有下線發展的時候，開始新的一輪發展下線的時候，改點不是核心點，就是離群點了。
首先需定義的兩個超引數：eps：鄰域距離閾值，min_samples樣本點成為核心點的樣本數閾值
基本定義：
這裡引用下唐宇迪大佬的流程圖：
個人感覺，我覺得這個流程第一步有點問題，如果不是核心點直接判定為離群點有點問題，如果選到了邊界點呢，你也判定為離群點了，感覺如果不是核心點直接跳過就行，如果剩下的所有點都沒有核心點了，那麼剩下的所有未標記的點才能被判定為離群點。
感覺這篇中寫的也比較簡潔而且準確，不是直接判定為離群點，而是判定為外圍點，後面再改判為離群點：聚類演算法之dbscan演算法之一：經典dbscan
任意選擇乙個點（既沒有指定到乙個類也沒有特定為外圍點），計算它的nbhd(p,epsilon)判斷是否為核點。如果是，在該點周圍建立乙個類，否則，設定為外圍點。
遍歷其他點，直到建立乙個類。把directly-reachable的點加入到類中，接著把density-reachable的點也加進來。如果標記為外圍的點被加進來，修改狀態為邊緣點。
重複步驟1和2，直到所有的點滿足在類中（核點或邊緣點）或者為外圍點
總結下，密度可達的動態擴充套件就是發展下線的過程，其實就是乙個簇所有資料的關係就是密度相連。
展下線的過程，其實就是乙個簇所有資料的關係就是密度相連。
密度聚類演算法DBScan
利用密度聚類dbscan對樣本進行分類。基本思路 1 讀取兩組不同資料訓練 2 分別對兩組資料進行聚類 3 將聚類結果視作乙個多維空間的點，計算其到原點的歐氏距離 4 根據ans1和ans2的歐氏距離找到合適的閾值 幾個必要概念 鄰域 對於樣本集中的xj,它的 鄰域為樣本集中與它距離小於 的樣本所構...
DBSCAN密度聚類演算法
dbscan是一種基於密度的聚類演算法，這類密度聚類演算法一般假定類別可以通過樣本分佈的緊密程度決定。同一類別的樣本，他們之間的緊密相連的，也就是說，在該類別任意樣本周圍不遠處一定有同類別的樣本存在。通過將緊密相連的樣本劃為一類，這樣就得到了乙個聚類類別。通過將所有各組緊密相連的樣本劃為各個不同的類...
DBSCAN 密度聚類
dbscan 密度聚類 dbscan演算法是一種基於密度的聚類演算法 聚類的時候不需要預先指定簇的個數 最終的簇的個數不定 dbscan演算法將資料點分為三類 核心點 在半徑eps內含有超過minpts數目的點 邊界點 在半徑eps內點的數量小於minpts，但是落在核心點的鄰域內 噪音點 既不是核...