怎么理解

首先，DBSCAN算法会以任何尚未访问过的任意起始数据点为核心点，并对该核心点进行扩充。这时我们给定一个半径/距离ε（Epsilon），任何和核心点的距离小于ε的点都是它的相邻点。
如果核心点附近有足够数量的点（指定点的数量），则开始聚类，且选中的核心点会成为该聚类的第一个点。如果附近的点不够，那算法会把它标记为噪声（之后这个噪声可能会成为簇中的一部分）。在这两种情形下，选中的点都会被标记为“已访问”。
一旦聚类开始，核心点的相邻点，或者说以该点出发的所有密度相连的数据点（注意是密度相连）会被划分进同一聚类。然后我们再把这些新点作为新的核心点，向周围拓展ε，并把符合条件的点继续纳入这个聚类中。
重复步骤2和3，直到附近没有可以扩充的数据点为止，即簇的所有点的ε邻域内都已被标记为“已访问”。
一旦我们完成了这个集群，算法又会开始检索未访问过的点，并发现更多的聚类和噪声。一旦数据检索完毕，每个点都被标记为属于一个聚类或是噪声。

如下：

优缺点

优点：与其他聚类算法相比，DBSCAN有一些很大的优势。首先，它不需要输入要划分的聚类个数。其次，不像mean-shift，即使数据点非常不同，它也会将它们纳入聚类中，DBSCAN能将异常值识别为噪声，这就意味着它可以在需要时输入过滤噪声的参数。第三，它对聚类的形状没有偏倚，可以找到任意大小和形状的簇。

缺点：当聚类（也就是每个簇）的密度不同时，DBSCAN的性能会不如其他算法。这是因为当密度变化时，用于识别邻近点的距离阈值ε和核心点的设置会随着聚类发生变化。而这在高维数据中会特别明显，因为届时我们会很难估计ε。

维度高了，距离就会收到多方面特征的影响，某一类簇可能彼此之间距离很大，而设置的epsilon在某一个簇聚类可能很好使，在另一个簇聚类就全是异常值这样。

sklearn使用DBSCAN

详细介绍点击此处
简易版本：
语雀内容