据说DBSCAN在边界点上不一致，并且取决于它首先将点分配给哪个群集。
当DBSCAN想要为一个群集分配边界点时，是否考虑到每个群集中边界点接近（eps）的点数？
最佳答案
在这些很重要的情况下，每个群集的点数通常为1。
更好的决胜局将是距离，但即使那样也可以取得平局。
这是一个微不足道的修改，可以在后处理中轻松实现：对于每个边界点，找到最近的核心点，并使用该标签。
但是，这有关系吗？
集群从来都不是完美的。我们在这里谈论的是一种罕见的情况，其中“最佳”（基于两个硬性阈值的“最佳”的临时定义）分配通常会使最终结果相差0.000。
如果我没记错的话，DBSCAN作者建议您也可以将这些点分配给两个群集。据说这是最符合定义的解决方案（两个群集都可以到达边界点）。但这使一切变得更加复杂。因为许多用户希望每个点在一个漂亮的数字列中都有一个标签，而不必处理这种特殊情况。
关于machine-learning - DBSCAN和边界点，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50882170/