一、DBSCAN算法
DBSCAN是一种基于密度的聚类算法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可以将密度足够大的相邻区域连接，能有效处理异常数据。
1.基本概念
DBSCAN算法将数据点分为三类：
- 核心点：在半径Eps内含有不小于MinPts数目的点（红色点）
- 边界点：在半径Eps内，点的数量小于Minpts，但是落在核心点的领域内（黄色点）
- 噪音点：既不是核心点也不是边界点的点（蓝色点）
2.Matlab软件代码（DBSCAN算法）
Matlab官网推荐下载的代码：DBSCAN Clustering Algorithm
输出结果中，IDX表示聚类结果，其中0表示是孤立点
3.DBSCAN算法的优点
- 基于密度定义，能处理任意形状和大小的簇；
- 可以在聚类的同时发现异常点；
- 与K-means算法比起来，不需要输入初始的聚类个数
4.DBSCAN算法的缺点
- 对输入的参数Eps和Minpts敏感，确定参数困难；
- 由于DBSCAN算法中，变量Eps和Minpts是全局唯一的，当聚类的密度不均匀时、聚类距离相差很大时，聚类的效果差；
- 当数据量大时，计算密度单元的计算复杂度大。
二、几类聚类算法的使用建议
- 只有两个指标，且做出散点图后发现数据表现得很“DBSCAN”，这时使用DNSCAN进行聚类
- 大部分情况下，使用系统聚类的方法；K-means也可以使用，但是此时在论文中可能无话可说。