针对聚类K-means算法中不能对特定形状的样本进行分类，提出了一种新的聚类算法（DBSCAN）。
DBSCAN 是一种著名的密度聚类算法，它基于一组“邻域”参数来刻画样本分布的紧密程度。
7.1 基本概念
DBSCAN：Density-Based Spatial Clustering of Applications with Noise
核心对象：若某个点的密度达到算法设定的阈值则其为核心点。即r领域内点的数量不小于minPts。
距离阈值：设定的半径r
直接密度可达：若某点p在点q的r领域内，且q是核心点，则p-q直接密度可达。
密度可达：若有一个点的序列q0、q1、...、qk，对任何qi-(qi-1)是直接密度可达的。称从q0-qk密度可达。
密度相连：若从某核心点p出发，点q和点k都是密度可达的。则称q和点k是密度相连的。
边界点：属于某一个类的非核心点，不能发展下线了。
噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的。
7.2 算法思想
这个算法很有意思，总结8个字就是：画圈找点，发展下线
设定参数D：输入数据集；参数:指定半径；MinPts：密度阈值
1. 标记所有对象为unvisited
2. Do
3. 随机选择一个 unvited 对象 p；
4. 标记 p 为visited；
5. if p 的 e-（半径范围内） 领域内至少有 MinPts 个对象
创建一个新簇 C，并把p添加到C；
令 N 为 p 的 e- 领域中的对象集合
for N 中每个点 p
if p 是 unvisited
标记 p 为visited
if p 的e-领域至少有 MinPts 个对象，把这些对象添加到N；
如果 p 还不是任何簇的成员，把 p 添加到 C；
End for；
输出 C；
Else 标记 p 为噪声；
Unitl 没有标记为unvisited 的对象。
参数选择：
半径e：给定数据集P={p(i);i=0,1,...,n},计算点P(i)到集合D的子集S中所有点之间的距离，距离按照从小到大的顺序排序， d(k)就被称为k-距离。
MunPts： k-距离中k的值，一般取的小一些，多次尝试
7.3 优劣势
优势：
- 不需要指定簇个数
- 可以发现任意形状的簇
- 擅长找到离群点
- 两个参数就够了
劣势：
- 高维数据有些困难（可以做降维）
- 参数难以选择（参数对结果的影响非常大）
- Sklearn中效率很慢（数据削减策略）
