KMeans算法是用来聚类的，其中的 K 表示类别数量，以样本间的距离作为聚类的标准，该算法的核心思想非常简单，总共就 3 个步骤。
步骤 1：在样本中随机选取 K 个样本点，作为初始中心点；
步骤 2：计算每个样本点到各个中心点的距离，然后将样本点分配给最近的中心点；
步骤 3：根据聚类结果，将每类的均值作为新的中心点；
步骤 4：不断重复步骤 2、3，当中心点不再变动时，结束算法。
2 DBSCAN算法DBSCAN 算法是一种以密度为基础的空间聚类算。该算法也很好理解，就好城市群划分，半径多少公里内的城市就算作一个城市群。当然这就设计到两个问题了，第一是我们要确定这个半径，第二是我们要确定至少多少个城市才能叫做城市群（我觉得至少要 3 个）。
假设有若干个城市，半径确定为 300 公里，圈内最小城市数为 3，那么该算法有 4 个步骤，如下：
步骤 1：随机选取一个未分类的城市；
步骤 2：以该城市为圆心，按照半径画圆，如果圆内的城市数大于等于 3，就将这些城市归为一类；
步骤 3：选定圆内其他的城市为圆心，继续画圆，如果城市数小于 3，则放弃这个圆，一直重复画圆的步骤，直到没有可画的圆，将这些城市都归为一类。
步骤 4：再次随机选择一个未分类的城市，重复步骤 2 和步骤 3。
3 对比如下图所示，同样聚成 4 类，左边是 KMeans 算法聚类的结果，右边是 DBSCAN 聚类的结果，想一想为什么会这样呢？这是否能说明哪个算法更好呢？
