DBSCAN共包括3個輸入數據：數據集D，給定點在鄰域內成爲核心對象的最小鄰域點數：MinPts,鄰域半徑：Eps，其中Eps和MinPts需要根據具體應用人爲設定。
(1) Eps的值可以使用繪製k-距離曲線(k-distance graph)方法得當，在k-距離曲線圖明顯拐點位置爲對應較好的參數。若參數設置過小，大部分數據不能聚類；若參數設置過大，多個簇和大部分對象會歸併到同一個簇中。
K-距離：K距離的定義在DBSCAN算法原文中給出了詳細解說，給定K鄰域參數k,對於數據中的每個點，計算對應的第k個最近鄰域距離，並將數據集所有點對應的最近鄰域距離按照降序方式排序，稱這幅圖爲排序的k距離圖，選擇該圖中第一個谷值點位置對應的k距離值設定爲Eps。一般將k值設爲4。
MinPts的選取有一個指導性的原則（a rule of thumb），MinPts≥dim+1,其中dim表示待聚類數據的維度。MinPts設置爲1是不合理的，因爲設置爲1，則每個獨立點都是一個簇，MinPts≤2時，與層次距離最近鄰域結果相同，因此，MinPts必須選擇大於等於3的值。若該值選取過小，則稀疏簇中結果由於密度小於MinPts，從而被認爲是邊界點兒不被用於在類的進一步擴展；若該值過大，則密度較大的兩個鄰近簇可能被合併爲同一簇。因此，該值是否設置適當會對聚類結果造成較大影響。
DBSCAN原理僞代碼：
(1) 首先將數據集D中的所有對象標記爲未處理狀態
(2) for（數據集D中每個對象p） do
(3) if （p已經歸入某個簇或標記爲噪聲） then
(4) continue;
(5) else
(6) 檢查對象p的Eps鄰域 NEps(p) ；
(7) if (NEps(p)包含的對象數小於MinPts) then
(8) 標記對象p爲邊界點或噪聲點；
(9) else
(10) 標記對象p爲核心點，並建立新簇C, 並將p鄰域內所有點加入C
(11) for (NEps(p)中所有尚未被處理的對象q) do
(12) 檢查其Eps鄰域NEps(q)，若NEps(q)包含至少MinPts個對象，則將NEps(q)中未歸入任何一個簇的對象加入C；
(13) end for
(14) end if
(15) end if
(16) end for
轉自https://blog.csdn.net/zhouxianen1987/article/details/68945844