• eps： 参数，用于确定邻域大小。

      • min_samples： 二、DBSCAN - 图1 参数，用于判断核心对象。

      • metric：一个字符串或者可调用对象，用于计算距离。

        如果是字符串，则必须是metrics.pairwise.calculate_distance中指定的。

      • metric_params：一个字典，当metric 为可调用对象时，为metric 提供关键字参数。

      • algorithm：一个字符串，用于计算两点间距离并找出最近邻的点。可以为：

        • ：由算法自动选取合适的算法。
        • 'ball_tree'：用ball树来搜索。
        • 'brute'：暴力搜索。

      • leaf_size：一个整数，用于指定当algorithm=ball_tree或者kd_tree时，树的叶结点大小。

        该参数会影响构建树、搜索最近邻的速度，同时影响存储树的内存。

      • ：指定并行度。

    2. 属性：

      • core_sample_indices_：一个形状为[n_core_samples,] 的数组，给出了核心样本在原始训练集中的位置。

      • components_：一个形状为[n_core_samples,n_features] 的数组，给出了核心样本的一份拷贝

      • labels_：一个形状为[n_samples,] 的数组，给出了每个样本所属的簇标记。

        对于噪音样本，其簇标记为 -1。

    3. 考察 参数的影响：

      • 断崖下降是因为产生的训练样本的间距比较小，最远的两个样本点之间的距离不超过 30。当 二、DBSCAN - 图2 过大时，所有的点都在一个邻域中。

      • 核心样本数量随着 的增长而上升。

        这是因为随着 二、DBSCAN - 图3 的增长，样本点的邻域在扩展，则样本点邻域内的样本会更多，这就产生了更多满足条件的核心样本点。

        但是样本集中的样本数量有限，因此核心样本点数量的增长到一定数目后稳定。

    4. 考察 二、DBSCAN - 图4 参数的影响：

      • 指数随着 的增长，平稳的下降。

      • 核心样本数量随着 二、DBSCAN - 图5 的增长基本上线性下降。