实际上，DBSCAN不会对群集施加总大小限制。
最好将epsilon值解释为 分隔两个簇 （最多可能包含minpts-1个对象） 的间隙 的 大小 。
我相信，您实际上根本没有在寻找集群：集群是 发现数据结构 的任务。结构可以更简单（例如k均值）或复杂（例如通过层次聚类和k均值发现的任意形状的簇）。
您可能正在寻找矢量量化
-将数据集缩小为较小的代表集
-或集覆盖 -寻找给定集的最佳覆盖-而不是。
但是，我也有一种印象，就是您不确定自己需要什么以及为什么。
DBSCAN的优势在于，它以密度连接组件的形式对 结构 进行了 数学定义
。这是一个强大且明确的数学概念（除了一些罕见的边界情况），DBSCAN算法是发现这种结构的最佳高效算法。
__但是， 直接 密度可及性并未定义有用的（分区）结构。它只是 不会将数据 划分为不相交的分区。
如果您不需要这种强大的结构（即，您不像“结构发现”中那样进行聚类，而只是想像矢量量化中那样压缩数据），则可以尝试“机盖预聚类”。可以将其视为为群集设计的预处理步骤。从本质上讲，它类似于DBSCAN，不同之处在于它使用两个epsilon值，并且不能保证该结构以任何方式均是最佳的，但它在很大程度上取决于数据的顺序。如果您随后对其进行适当的预处理，它仍然会很有用。除非您处于分布式环境，否则机盖预群集至少要比完整的DBSCAN运行昂贵。由于宽松的要求（尤其是“集群”可能会重叠，并且对象应属于多个“集群”），
哦，您可能还只是在寻找 完整链接的层次集群
。如果将树状图切成所需的高度，则生成的群集在所有两个对象之间都应具有所需的最大距离。唯一的问题是层次聚类通常是
O(n^3)，即它不能扩展到大型数据集。DBSCAN
O(n log n)在良好的实现中运行（具有索引支持）。
