请阐述数据挖掘领域中基于密度的聚类算法（以 DBSCAN 为例）的核心思想，并对比该算法与 K-means 算法在原理、参数、适用场景等方面的主要差异。
考察说明
考察候选人对密度聚类算法原理的理解，以及其与划分式聚类算法（K-means）的对比分析能力。
回答思路
- 【回答框架 1】密度聚类（如 DBSCAN）的核心思想是：聚类由密度相连的样本点构成，算法将具有足够高密度的区域划分为簇，并能在有噪声的数据中发现任意形状的簇。它通过邻域半径 eps 和最小样本数 minPts 定义核心点、边界点和噪声点，算法从一个核心点出发，通过密度可达关系不断扩展簇。
- 【回答框架 2】K-means 是划分式聚类，需要预先指定簇个数 K，通过迭代优化簇内平方误差和，将样本分配到最近的质心，适用于凸形簇；而 DBSCAN 无需指定簇个数，能发现任意形状的簇，并自动识别噪声点，对离群点鲁棒。
- 【回答框架 3】在参数上，K-means 主要参数是 K 和初始质心，对初始值敏感，可能陷入局部最优；DBSCAN 主要参数是 eps 和 minPts，对 eps 值敏感，但无需指定簇数。在时间复杂度上，K-means 通常为 O(n*k*t)，DBSCAN 若用索引结构可达到 O(n log n)。
- 【回答框架 4】适用场景上，K-means 适合大规模数据、高维数据且簇形状近球形的情况；DBSCAN 适合密度不均、形状不规则、含噪声的数据，但难以处理密度差异大的数据集，且参数调节较困难。
- 【关键点 1】DBSCAN 基于密度可达和密度相连，能发现任意形状簇并识别噪声。
- 【关键点 2】DBSCAN 需设置 eps 和 minPts 两个参数，无需预设簇个数。
- 【关键点 3】K-means 需预设 K，适用于凸形簇，对初始质心和离群点敏感。
- 【关键点 4】DBSCAN 对 eps 敏感，难以处理密度差异大的数据。
- 【易错点 1】DBSCAN 不能保证在高维数据中效果良好，因为维数灾难可能导致密度难以定义。
- 【易错点 2】K-means 假设簇为凸形，不适用于非凸簇，且对噪声敏感。
- 【易错点 3】DBSCAN 的成果并不总是与 K-means 的可比，不应简单认为 DBSCAN 一定优于 K-means。