提问人：Chris Coffee 提问时间：10/1/2023 最后编辑：desertnautChris Coffee 更新时间：10/21/2023 访问量：39
minPts=1时调整DBSCAN的弯头方法
Elbow method for tuning DBSCAN when minPts=1
问：
肘部法要求设置，但是当你做什么时？在这种情况下，肘部方法是否仍然可用，如果是，您如何确定？k=MinPtsMinPts=1k
我尝试了肘部方法，结果所有距离都等于零。k=1
答：
1赞
Michael Hahsler
10/2/2023
#1
对于 dbscan 的弯头方法，您可以设置 k/minPts，这将帮助您为 eps 选择一个好的值。最初的DBSCAN论文建议将minPts设置为数据的维数加1或更高。因此，MinPts < 3 通常没有多大意义。
这是来自 R 包中 dbscan（） 的手册页。但这与任何其他实现类似：dbscan
DBSCAN参数设置
参数 和 相互依赖，并且 更改一个通常也需要更改另一个。 原始 DBSCAN 论文建议首先将 数据的维数加 1 或更高。 定义核心点周围的最小密度（即最小值 非噪声区域的密度）。增加要隐含的参数 数据中的噪声更多，需要更多的点来形成集群。 给定固定值的合适邻域大小参数 通过使用 （ 包括点本身，而 k 最近邻距离，可以直观地找到 没有）。k 最近邻距离图对所有数据进行排序 点按其 k 最近邻距离。突然增加 kNN 距离（膝盖）表示指向右侧 很可能是异常值。选择DBSCAN的膝盖 是。
minPtsepsminPtsminPtsepsminPtskNNdistplot()k = minPts - 1minPtseps
评论
0赞
Chris Coffee
10/4/2023
感谢您的参考。如果数据的维度不可用，您会建议怎么做？在 Python 中，Scikit-Learn 的 DBSCAN 实现允许预先计算的距离矩阵，在这种情况下，基础数据的维度可能是未知的。也就是说，除非有某种方法可以从距离矩阵回到维数，但这是一个完全不同的问题。
1赞
Michael Hahsler
10/5/2023
一种选择是通过应用 MDS 来估计数据的内在维度，并查看需要多少个维度。然后，您可以在 MDS 空间上使用 k 最近邻距离图来找到良好的 eps。另一种选择是尝试使用 minPrs 和 eps，直到找到有用的聚类。
评论