DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，它可以有效地检测出噪声点，并将数据集中的相似点聚为一类。在Python中，它可以通过scikit-learn库中的DBSCAN类来实现。
使用方法
需要导入DBSCAN类：
from sklearn.cluster import DBSCAN
创建DBSCAN类的实例，并设置参数：
dbscan = DBSCAN(eps=0.5, min_samples=5)
其中，eps是用于定义邻域的半径，min_samples是用于定义邻域内的最小样本数。
将数据集传入DBSCAN类的fit_predict函数：
labels = dbscan.fit_predict(X)
其中，X是一个n_samples * n_features的数据集，labels是一个n_samples大小的数组，表示每个样本的聚类标签。
可以使用以下函数来评估聚类的效果：
- silhouette_score：衡量样本与其所属簇之间的距离
- calinski_harabaz_score：衡量簇之间的距离
- davies_bouldin_score：衡量簇内部的紧密程度
例如：
from sklearn.metrics import silhouette_score silhouette_score(X, labels)