1、DBSCAN算法原型 这个算法原型非常简单，有很多博主都有写，大家自己去看看就好了，也不用花太多时间，顶多十分钟就能了解个大概。

2、自适应Eps和Minpts参数 由于该算法对Eps和Minpts参数十分敏感，所以如何确定这两个参数对于DBSCAN来说是很重要的一步，这篇博文是基于李文杰老师的论文《自适应确定DBSCAN算法参数的算法研究》，通过这篇论文，输入数据集即可大致确定这两个参数，从而可以直接在DBSCAN中应用。

其中的基本思想，是通过计算数据集 D 中每个数据点与其第 K个最近邻数据点之间的 K-最近邻距离，并对所有数据点的 K-最近邻距离求平均值，这个值就作为这个k时的eps,那么每一个k对应一个K-最近邻距离平均值（K=1时，即为平均最近邻距离）,所以每一个k都对应一个eps。这时我们可以想一下它的物理意义，这个eps其实就是K-近邻距离最大的那个半径的平均。

然后论文又根据下面这个公式计算出Minpts。 式中，Pi 为第 i 个对象的 Eps 邻域对象数量，n 为数据集 D 中的对象总数

随后用这些结果尝试使用DBSCAN算法进行聚类，如果连续的候选项聚类的类别数目相同，那么选择Eps相对较大的那个最为最终参数输入到DBSCAN算法中去。

论文中认为如果连续3个Eps候选项聚类的类别数目相同，那么可以认为数据集在这些参数下逐渐收敛，但是我觉得具体最好看图像是否收敛，所以我就简单的在程序里将聚类数目打印出来，读者可以自行选择聚利时使用的Eps和Minpts参数。