让 AI 走一遍 DBSCAN：边界点碰到两群，为何不能把它们连成一群
看见两堆点中间有一颗连接点，AI可能直接把它们解释成同一个DBSCAN簇。但DBSCAN扩展簇时，能够继续传播的是核心点。中间点若只是边界点，即使同时靠近两边，也未必能将两簇合并。
AI模型生成的概念插图：两处密集区域之间存在一个边界点；圆点数量和轮廓不对应正文坐标，不是软件运行截图。
先写完整邻域规则
采用二维欧氏距离，eps=1，距离恰好等于1也算邻居，min_samples=4，而且邻域计数包含点自身。所有样本等权，没有重复点。左侧四点是A=(-1,0)、B=(-1.8,0)、C=(-1.8,0.2)、D=(-1.8,-0.2)；右侧四点是E=(1,0)、F=(1.8,0)、G=(1.8,0.2)、H=(1.8,-0.2)。桥点M=(0,0)。
一共九点。请先让AI列每点的邻居名称，再据数量判断身份，不要直接让它根据示意图涂颜色。scikit-learn的DBSCAN参数文档明确把自身算入min_samples；如果误删自身，本例部分点会被错误降为非核心。
桥点有邻居，但密度不够
A到左侧其余三点的距离都小于1，到M恰为1，所以A的邻域是A、B、C、D、M，共5点。B、C、D各自都包含左侧四点，共4点。右侧对称，E有5点，F、G、H各有4点。这八点全部满足核心条件。
M到A与E的距离恰为1，到其他点的距离都超过1，所以其邻域只有M、A、E，共3点，未达到4。M不是核心点，但靠近核心点，因此可以作为边界点归入某个簇。它并不是因为“不够密”就必然被当作噪声。
从A扩展时，可以沿左侧核心点继续搜索，并把M纳入边界；到M处不能再通过它把E扩展进来。右侧核心点之间会形成另一簇。因此核心结构保持两个簇，不能把所有距离不超过eps的边都连起来后，直接用普通连通分量代替DBSCAN。
哪些变化只是编号，哪些真的改成员
M同时邻接两个不同核心簇。scikit-learn说明，这类非核心样本可分给遍历时先形成的簇；换输入顺序，M可能换边，而两堆核心点的分群保持一致。比较两次结果时应先按成员集合对齐，不能仅凭簇编号从0换成1就认定算法不稳定。
把min_samples从4改成3，其他条件保持不变，M便成为核心点。此时A、M、E形成核心传播链，两侧能够合为一簇。变化的关键是M获得继续扩展的资格，不是坐标或距离发生了变化。
人工可复核三份清单：九个点的邻域计数应为5、4、4、4、5、4、4、4、3；阈值4时核心点有8个；阈值3时有9个。再让AI分别说明M属于边界还是核心，以及它能否把左右连接起来。
eps表示局部邻居距离，不是簇的最大直径。长链状核心区域可以延伸很远；反过来，不同密度群体也未必适合共享同一个阈值。真实数据的单位、缩放和距离定义都要先确定，本文的1与4只是用于展示扩簇规则的教学设定。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。
