一些概念名词
MinPts：聚类在一起的点的最小数目，超过这一阈值才算是一个族群
核心点：邻域内数据点超过MinPts的点
边界点：落在核心点邻域内的点称为边界点
噪声点：既不是核心点也不是边界点的点
过程：
1、算法通过任意选取数据集中的一个点（直到所有的点都访问到）来运行
2、如果在该点的半径范围内至少存在MinPoint点，那么认为所有这些点都属于同一个聚类
通过递归地重复步骤1、步骤2 对每个相邻点的邻域计算来扩展聚类
图示过程：
开始，选取一点，看邻域范围内是否达到MinPts，达到就加入簇，图示标为红，没达到就判断下一个
落在核心点邻域内的点称为边界点，如图标黄色的点
本例子有一个噪声点
划分点后，将距离不超过邻域半径的核心点及其所属边界点聚成一个簇
基于密度的聚类算法，可以根据样本分布的紧密程度决定，同一类别的样本之间是紧密相连的，不同类别样本联系是比较少的
优点是DBSCAN算法不需要事先指定聚类的数量，而是通过样本密度来聚合在一起，对于复杂的分布（比如自动驾驶场景下的点云，含有车、行人、骑行者等，有些目标在空间上还很靠近）及离群点产生的结果比K-Means更加合理
缺点是如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差；
而且算法较复杂，需要针对距离阈值（邻域范围）和领域样本阈值（MinPts）进行调参才能产生较好的效果
参考资料：
1、https://www.jianshu.com/p/dd6ce77bfb8a
2、DBSCAN聚类 动画演示 https://www.bilibili.com/video/BV114411M7ci/?share_source=copy_web&vd_source=fffc779375536f749de4104fe5c56d3a
3、http://t.csdnimg.cn/avicU
