对DBSCAN算法的改进，使用R-Tree算法对DBSCAN的改进

提供DBSCAN算法的基本原理及实现，针对特殊数据集对比了DBSCAN聚类算法与K-means算法的好坏，以及分析了参数对DBSCAN算法的影响，如何更好的自动化确定参数以达到最好的聚类效果！！！

python语言实现的两种常用聚类算法，包括基于原型的KMeans算法以及基于密度的DBSCAN算法

程序内附带测试用二维数据集

Java实现的dbsacn算法，简单易懂，运行无错误

为解决DBSCAN聚类算法的Eps及MinPts参数选择问题，提出一种领域无关的参数动态选择方法。首先，基于k-均值算法对数据集进行初步聚类，聚类中采用最大最小距离方法确定初始聚类中心。其次，针对k-均值聚类结果，计算统计各聚类中样本间距离的分布情况，选择使得具有最大样本对数的距离值作为对应类的Eps值，并通过Eps获得MinPts值。最后，对DBSCAN算法进行改进，使其可根据当前核心点所属k-均值聚类对应的Eps对其运行值进行自适应调整。将上述思想运用于未知协议条件下的比特流聚类分析，结果表明，在无需用户指定Eps及MinPts的条件下，即可获得满意的聚类结果，提高了算法的适用性和准确率。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。 使用场景: 用于不均匀的簇大小，以及非平坦的集合结构

随机生成一些坐标点，然后用DBSCAN算法聚类，用图形显示每一个簇的生成过程

本密度聚类算法dbscan是基于周志华老师《机器学习》介绍编程的，经检验效率较高

DBSCAN算法是经典的密度聚类算法,1996年被提出。其主要思想为：如果一个对象在其半径为e的邻域内包含至少Minpts个对象，那么该区域是密集的。