一、DBSCAN 简记
1.先上图
上图写了DBSCN算法的具体步骤：
2.参数主要由半径R，主要用来寻找核心点P的邻域，min_samples为圆内点的最小点数，如果大于等于则认为中心点有效。
3.流程：
1. 随意选择一个未被访问过的点，然后寻找半径为R的点内的圆内的点。
2. 看圆内的点的个数 是否大于 min_samples？
是：把p当作中心点，然后创建个聚类C，然后把P标记为已访问。
否：把P标记为早点，已访问。
3.遍历核心点P在R邻域内的所有点，都标记为C类别。
然后把R内的所有点都当作是核心点，去侵蚀旁边的点，可以侵蚀的到则标记为C类别，重复3操作，直到我找不到离我很近的点。
4.重复完2-3后生成了C类别。
5.将全部数据信息减去C类别的数据，然后重复1步骤，最终选择出所有的类别，即所有的点均被访问过。
其中：
核心点：邻域半径R内样本点的数量大于等于min_samples的点。
边界点：点Q不属于核心点但在某个核心点P的邻域内的点，即在某个核心点的R邻域内，但是Q这个点的半径R内的点不满足min_sample的数量。
噪声点：既不是核心点也不是边界点的是。
二、优点：
1。无需指定聚类的个数。
2。对类别的形状没有要求。
3。对于外点不敏感，对噪声稳定。
三、缺点：
1。基于密度的，所以对于两个类别，如果中间有数据连接，且满足min_samples的数量，则两个类别就会当成是一个类别。
2。对于高维数据处理的不好。
