DBSCAN基於高密度連通區域的、基於密度的聚類算法，能夠將具有足夠高密度的區域劃分為簇，並在具有噪聲的數據中發現任意形狀的簇。我們總結壹下DBSCAN聚類算法原理的基本要點：
DBSCAN算法需要選擇壹種距離度量，對於待聚類的數據集中，任意兩個點之間的距離，反映了點之間的密度，說明了點與點是否能夠聚到同壹類中。由於DBSCAN算法對高維數據定義密度很困難，所以對於二維空間中的點，可以使用歐幾裏德距離來進行度量。
擴展資料：
dbscan個聚類以便使得所獲得的聚類滿足：同壹聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得壹個“中心對象”（引力中心）來進行計算的。
（1）適當選擇c個類的初始中心；
（2）在第k次叠代中，對任意壹個樣本，求其到c個中心的距離，將該樣本歸到距離最短的中心所在的類；
（3）利用均值等方法更新該類的中心值；
（4）對於所有的c個聚類中心，如果利用（2）（3）的叠代法更新後，值保持不變，則叠代結束，否則繼續叠代。