dbscan聚类算法流程图

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，它的核心思想是通过寻找高密度区域并连接邻近的数据点来识别聚类。以下是DBSCAN算法的基本流程：

1. **选择任意一点**：通常从数据集中随机选取一个点作为种子点（core point），它必须满足一定的邻居密度阈值（minPts）。

2. **扩展相邻密集区域**：检查该点的所有邻接点（包括自身的距离小于某一阈值epsilon的点），如果邻接点的数量大于或等于minPts，则认为这是一个核心点，并将它们标记为已访问。

3. **生长紧密链**：对核心点的所有未访问邻接点递归地重复步骤2，形成一个稠密区（density-reachable points）。

4. **计算簇边界**：如果一个非核心点位于某个已知的核心点的ε邻域内，并且有超过minPts的邻接点，那么这个非核心点也被加入到相应的簇中。

5. **处理噪声点**：那些既不是核心点也不是可达点的点被视为噪声（outliers or noise points），因为它们周围密度太低。

6. **重复直到所有点处理完毕**：对剩余的未访问点继续执行上述过程，直到所有的数据点都被分类到簇或标记为噪声。

7. **输出结果**：最后得到的数据集由各个簇组成，每个簇包含一组邻近且密度较高的点。