本人是数据挖掘方面的小白，最近刚开始做学校给出的数据分析项目。
语言用的是python。
我目前在做西安市经纬度地图的聚类分析并提取其中的热点区域。我用DBSCAN算法提取出了7-8个核心热点区域（最大的簇），并且用K-means锁定了它们的质心。但是聚类出来的簇很基本而且并不规则。并不符合最终聚类结果的标准。我查了一些问答发现需要对每一个聚类产生的簇进行进阶分析。但我目前并不知道从何下手。
几个可能的方向：
1.对聚类簇做回归分析，让每个簇的形状变得更规则？
2.结合聚类簇的质心，标注出相关地段最有特点的景点或建筑作为标签，然后用有监督学习？
我只想到了上面两个可能的进阶分析方法，但是我上面两个方法也不知道该用什么合适的算法来入手，希望能得到大佬们的提点。或者有更好的思路，也希望大佬能为我指明道路，谢谢！
补充：我的聚类目的是通过分析西安市区中的热点区域，结合具体时间段来分析西安市出行用户的出行模式。（经纬度数据都是用户上下车点的数据）
用户出行模式的问题通常不单单是找出地图上的热点区域的问题, 而是一个多维度的包括时间的聚类. 所用到的维度可能包括乘车日期, 上车时间,下车时间, 乘车站点, 类型(地铁,出租...)....
之后需要对这些维度的数据进行特征提取, 比如说出行的路线轨迹/距离, 站点序列,出行时间, ... 对于路线轨迹/距离, 简单的基于euclidean distance肯定是不适用的,可以考虑使用scipy.spatial.distance.cdist(a,b, 'cityblock').
提取特征之后, 大概就可以从时间, 空间, 行程链这几个维度来对每个用户的出行周期进行量化了. 最简单的做法就是只提取出门时间, 结束时间, 出行距离, 然后按照这几个特征再进行聚类.
至于你上面提到的回归也好, 监督学习也好, 最好都是基于一定目的的特征提取之后再进行的 (而且要结合你的最终要解决的目标问题).
因为你是基于地图的点的聚类，不是单纯的几何数据，所以说你可以用地名标签做有监督学习，可以考虑用自动编码器来提高效率。
因为你并非几何上的距离远近的问题，而是按照街道来的，所以光是kmean肯定效率不行。