定义

计算数据集中每个样本点的局部密度和距离，可以得到 ，以局部密度 为横轴，以距离 为纵轴，将各样本点的 再该平面坐标中画出，可以得到决策图。

• 聚类中心 L 同时具有较大的 值和 值，如样本 1 和 10
• 离群点： 值很大，但 值很小，如样本 26，27 和 28

聚类过程：聚类中心找到以后，剩余的每个样本被归属到它的有更高密度的最邻近所属类簇，类簇分配只需要一步即可完成，不像其他函数需要对目标函数进行优化

对于图 A 中的情形，无法准确判断聚类中心，可以采用一个将 值和 值综合考量的量

显然， 越大，越有可能是聚类中心，因此对 进行降序排列，以样本点标号为横轴， 为纵轴，在坐标平面中画出来，如图 所示

根据前面介绍的聚类算法，一些分散的离群点也会被强制分类到类簇当中，造成聚类后类簇边界不清晰，影响聚类效果

为了改进这种情况，将样本点划分为「核心区域」（Cluster Core）和「光环部分」（Cluster Halo），具体划分方法为

• 查找边界区域：若一个类簇的样本 范围内，存在属于其他类簇的样本，则该样本为该边界区域的一个组成样本
• 计算临界密度：为每个类簇找到其边界区域中平均局部密度最高的点

• 划分核心部分与光环部分：类簇中样本的局部密度大于 时，则该样本被当作该类簇的核心部分；反之，则被看作光环部分，也可以被看作离群点。