一张传感器读数表里，绝大多数点挤在几条带状区域，另有几十个点散落在空白处。把这份数据交给 AI 做聚类，用 K-means 跑，这些孤点会被硬塞进最近的簇，把簇心拽偏；用 DBSCAN 跑，它们被单独标成噪声，不参与任何簇的统计。差别不在算法聪明与否，而在它允不允许不归属这件事存在。这篇讲清 DBSCAN 用哪两个参数定义密度、簇是怎么从一个种子扩散开的、参数选错时会出现哪几种症状，以及它在密度不均匀的数据上为什么会失灵。
两个参数，定义了挤的标准
DBSCAN 不关心簇的形状，只关心点的邻居多不多。它用两个数把密度说清楚：邻域半径 eps，以及邻域内至少要有多少个点 minPts。有了这两个数，每个点就有了身份。核心点是邻居数量达标的那种，它是簇的种子；边界点自己的邻居不够，但落在某个核心点的圈里，只能算作簇的边缘；剩下的既不是核心点、也不在任何核心点邻域内，就被判为噪声。这套划分的好处是把异常写进了算法本身，不用另外训一个检测模型。
簇是靠扩散长出来的
算法从一个尚未处理的核心点出发，把它邻域内的点全部收进当前簇。新收进来的点如果本身也是核心点，就继续以它为圆心往外扩，这个过程像水在粗糙地面上蔓延，遇到密度够的地方就流过去，遇到空隙就停下。扩散不到任何核心点的区域，自然留成噪声。整个流程只扫一遍数据，不需要迭代优化，也不会有收敛到局部最优的困扰，代价是它对参数的依赖被放大了，因为没有任何迭代过程能修正一开始的划分。
参数一动，结论就换一个故事
DBSCAN 没有标签可以对照，参数的影响只能从结果形态反推。下面四种症状，基本覆盖了实际调参时会遇到的情况：
| 参数状态 | 你看到的结果 | 背后原因 | 调整方向 |
|---|---|---|---|
| eps 偏小 | 大量点被判成噪声，簇碎成小块 | 邻域够不到足够邻居，核心点太少 | 按 k-距离曲线的拐点往上调 |
| eps 偏大 | 所有点并成一两个大簇 | 不同簇之间被稀疏点桥接起来 | 缩小半径，或先剔除桥接点 |
| minPts 偏小 | 噪声点被当成小簇 | 两三个点的组合就能成为核心点 | 不低于特征维度加一，通常取更大 |
| minPts 偏大 | 稀疏但真实的簇整体消失 | 密度低的区域无法产生核心点 | 结合业务上一簇最少几个样本来定 |
实操中比较可靠的办法是画 k-距离曲线：对每个点算它到第 k 个近邻的距离，排序后画出来，曲线拐弯的位置通常是个合理的 eps。这只是起点，最终还得看分出来的簇在业务上说不说得通。
它默认了哪些前提
DBSCAN 的隐含假设比它表面上看起来多。第一，它假设同一个簇内部的密度大致均匀，这样一套 eps 和 minPts 才能同时适用；第二，它假设簇与簇之间隔着明显的低密度区域，否则扩散会跨过去；第三，它假设所用的距离度量在这个空间里有意义，这一点在高维数据上很容易不成立——维度一高，点与点之间的距离趋于接近，密度的区分度被抹平，eps 调到哪里都差不多。距离怎么选本身就是个问题，可参考 余弦相似度与欧氏距离的差别。
密度不均匀时它会把两簇并成一簇
密度不均是最常见的失效场景，也是它和 K-means 最本质的差距所在。数据里如果有一团很密的小簇和一片很疏的大簇，按密簇调出来的 eps 会让疏簇整个变成噪声，按疏簇调出来的 eps 又会把密簇和周围的杂点粘成一坨。这个矛盾不是调参能解决的，需要换用能处理多密度的方法，或者先做变换。除此之外还有几条：它不能直接给新样本打标签，模型里没有预测这一步，新点来了只能重跑或者另找办法；结果对点的处理顺序有轻微依赖，边界点归属哪个簇可能不稳定；样本量大时邻域查询的开销也不低，通常要靠空间索引才跑得动。还有一点常被忽略——它把噪声点单独拎出来了，但这些点未必真是错误数据，可能只是少数群体，直接删掉会造成另一种偏差。
怎么判断一次聚类结果值不值得信
没有标准答案的算法，更需要外部校验。三个动作成本很低：把簇画到二维上看形状是否符合预期；拿几个簇的样本回业务方确认这些人和这些设备真的是一类吗；换一组参数重跑，看划分是否稳定，如果 eps 微调就让结果面目全非，那这个结论不该拿去决策。数据本身也会变，上个月调好的参数，这个月可能就不合适了，这种整体分布的变化属于 数据漂移 的范畴，需要定期重跑而不是一劳永逸。相比之下，K-means 和 层次聚类 各有自己的假设，选哪个取决于你的数据更像哪一种，而不是哪个方法更新。
速查：DBSCAN
- 两个参数：邻域半径 eps、最小邻居数 minPts
- 三类点：核心点、边界点、噪声点
- 强项：不预设簇数、能识别任意形状、自带噪声标记
- 硬伤：密度不均时一套参数无法兼顾，高维空间下密度失去区分度
