基本概念:(Density-Based Spatial Clustering of Applications with Noise)
核心物件
：若某個點的密度達到演算法設定的閾值則其為核心點。（即 r 鄰域內點的數量不小於 minPts）
ε-鄰域的距離閾值
：設定的半徑r
直接密度可達：
若某點p在點q的 r 鄰域內，且q是核心點則p-q直接密度可達。
密度可達：
若有一個點的序列q0、q1、。。。qk，對任意qi-qi-1是直接密度可達的，則稱從q0到qk密度可達，這實際上是直接密度可達的“傳播”。就像傳銷一樣，發展下線。
密度相連
：若從某核心點p出發，點q和點k都是密度可達的，則稱點q和點k是密度相連的。
邊界點
：屬於某一個類的非核心點，不能發展下線了
噪聲點
：不屬於任何一個類簇的點，從任何一個核心點出發都是密度不可達的，也叫
離群點
。
工作流程
給定：
引數D：輸入資料集引數ε：指定半徑MinPts：密度閾值（比如5）
引數選擇:
半徑ε，可以根據K距離來設定：找突變點K距離：給定資料集P={p（i）； i=0，1，。。。n}，計算點P（i）到集合D的子集S中所有點之間的距離，距離按照從小到大的順序排序，d（k）就被稱為k-距離。MinPts：：k-距離中k的值，一般取的小一些，多次嘗試
優勢:
不需要指定簇個數
可以發現任意形狀的簇
擅長找到離群點（檢測任務）
兩個引數就夠了
劣勢:
高維資料有些困難（可以做降維）
引數難以選擇（引數對結果的影響非常大）
Sklearn中效率很慢（資料削減策略）
