kmeans —— since 1957：

1. 从 D 中随机取 k 个元素，作为 k 个簇的中心
   
2. 计算其他元素到 k 个簇中心的距离，根据距离做划分
3. 重新计算 k 个簇各自的中心，计算方法是取平均数
4. 将 D 中全部元素按照新的中心重新聚类
5. 重复第 4 步，直到聚类结果不再变化

两个变量：多大的半径(eps) 区域中至少包含多少个点(minPts) 可被视为『密集』

几个概念：核心对象、直接密度可达、密度可达、密度相连

过程

算法可从任意点出发，它在出发点的距离 eps 之内发现所有附近点

　　如果附近点的数量 >= minPts，群被形成。 出发点和它的邻居增加到这群，并且出发点被标记为visited。 然后递归评估所有未被标记为visited的该群成员，从而对群进行扩展。

　　如果邻居的数量比minPts少，则该点暂时被标记作为噪声。

　　如果群充分地被扩展(群内的所有点被标记为visited)，然后重复地去处理unvisited点

 def cluster(points, eps=EPS, min_samples=MIN_SAMPLES):
    X = np.array(points)
    #X = StandardScaler().fit_transform(X)

    db = DBSCAN(eps=eps, min_samples=min_samples).fit(X)

    labels = db.labels_
    core_mask = np.zeros_like(labels, dtype=bool)
    core_mask[db.core_sample_indices_] = True

    return labels, core_mask

 def get_params(delta_lat, delta_lng, count, n=400, k=1.5):
    area = delta_lat * delta_lng

    if count < n:
        n = count + 1  # 防止 count 为 0 出错

    eps = max(math.sqrt((area / n) / math.pi), 0.0015)
    min_samples = max(math.ceil(k * count / n), 4)

    return eps, min_samples

• optics : ordering point to identify the cluster structure
  
• 算法不显示地产生数据聚类，它只是对数据对象集中的对象进行调序，输出一个有序的对象列表(cluster-ordering)
  
• cluster-ordering 包含了足够的信息用来提取聚类
  
• 和 dbscan，optics 最大优点是对输入参数不敏感