相比于K-means需要事先指定k值且只能找到球形或凸形聚类、易将所有点分配到某个聚类，容易受异常值影响的缺点，DBscan由于考虑到了噪声点的影响，因此能够更好地完成聚类的任务。一般来说，当待分类的数据中，包含噪声数据，聚类形状不规则或者不知道聚类的具体数量的时候，我们常采用的是DBSCAN，而不

K-means的缺点 K-means要求必须预设k值 - 需要事先知道或估计簇的数量，且其出初始点十分敏感，不同的初始中心可能导致不同结果，且其直接假设簇是球形的，这在一定程度上是不可能的，而层次聚类(hierarchical clustering)则没有这种问题，他在使用前不需要提前限定簇的个数，

XGBoost作为一种典型的机器学习数学模型（eXtreme Gradient Boosting）是一个高效、可扩展的机器学习库，基于梯度提升树（Gradient Boosted Trees）算法，通过迭代构建树模型并对误差进行拟合来提升预测精度。它通过引入正则化、列抽样、近似分裂点、多线程并行和分

传统K-means 聚类分析是机器学习与数据挖掘中的一项重要任务，旨在将相似的数据对象划分为同一组（簇），同时确保不同组之间的差异性。在众多聚类算法中，K-means因其简洁性、高效性和可扩展性而成为最广泛使用的算法之一。K-means的核心思想是通过迭代优化，将数据划分为K个簇，使得每个数据点归属