DBSCAN（Density-Based Spatial Clustering of Applications with Noise，噪声聚类）是一种基于密度的聚类算法，擅长发现任意形状的簇。以下是其核心要点：
✅ 核心原理
- 密度可达性：通过邻域（ε-邻域）定义簇的密度，核心点需满足至少MinPts个点
- 噪声处理：对孤立点或边界点进行标记，而非强行归属
- 动态聚类：无需预设簇数量，适应复杂数据分布
📌 与其他算法对比
| 算法 | 优点 | 缺点 |
|---|---|---|
| K-Means | 计算效率高 | 对噪声敏感，需预设簇数 |
| DBSCAN | 自动确定簇数，抗噪声 | 对参数ε和MinPts敏感 |
🧩 应用场景
- 异常检测（如欺诈交易识别）
- 图像分割（如医学影像分析）
- 空间数据挖掘（如地理围栏分析）
📘 扩展阅读
想深入了解密度聚类的其他变体？可参考密度聚类与层次聚类对比。
📌 提示：尝试调整ε和MinPts参数，观察不同密度数据集的聚类效果差异！