基于密度的聚类算法：DBSCAN
只要一个区域中的点的密度大于某个阈值，就把它加到与之相近的聚类中去。
对于一个类中的每个对象，在其给定半径的领域中包含的对象不能少于某一给定的最小数目；
概念：
设置半径阈值,数量阈值;
核心对象的-邻域至少包个对象；
从核心对象出发，对任何邻域内的点直接密度可达；
如果存在一个对象链，对，是从关于直接密度可达的，则对象是从对象相互密度可达的。
如果存在一个对象，使得对象和是从关于密度可达的，那么对象和是密度相连的。
一个基于密度的簇是基于密度可达性的最大的密度相连对象的集合 ;
- 连接性：密度相连；
- 最大性：由密度可达，
DBSCAN算法先任选数据集中的一个核心对象为“种子” ,再由此出发确定相应的聚类簇;
算法类似于BFS搜索，维护一个队列；
优点：
- 能克服基于距离的算法只能发现“类圆形”的聚类的缺点，可发现任意形状的聚类；
- 对噪声数据不敏感；
缺点：
- 计算复杂度大，需要建立空间索引来降低计算量；
- 数据维数的伸缩性较差；
- 对参数非常敏感；
- 如果数据库比较大的时候要进行大量的I/O 开销;
- 很难找到不同密度的簇;
