确定 DBSCAN 算法的输入值答案

【问题标题】：Deciding input values to DBSCAN algorithm确定 DBSCAN 算法的输入值
【发布时间】：2012-04-26 16:27:52
【问题描述】：

我已经用 python 编写了代码来实现 DBSCAN 聚类算法。我的数据集由 14k 个用户组成，每个用户由 10 个特征表示。我无法决定究竟要保留什么作为 Min_samples 和 epsilon 的值作为输入我该如何决定呢？相似度度量是欧几里得距离。（因此它变得更加难以决定。）任何指针？

【问题讨论】：

评估数据集的欧几里得距离。它有效吗？什么是合理的相似度阈值？然后将此阈值用作 DBSCAN 的 epsilon。
我应该如何评估我的数据集上的欧几里得距离？
@Anony-Mousse：我在想这个：将欧几里得距离标准化为 0-1 是否有意义。现在距离可能会上升到 10k+，这使得很难确定阈值。但我不知道如何规范它。有什么想法吗？
您可能想阅读维度诅咒，并使用一些完全不同的距离函数。欧几里得距离在物理世界中是有意义的，但在任意空间中却不是。

【解决方案1】：

DBSCAN 通常很难估计其参数。

您考虑过 OPTICS 算法吗？在这种情况下，您只需要与最小集群大小相对应的 Min_samples。

否则，对于 DBSCAN，我过去通过反复试验完成了它：尝试一些值，看看会发生什么。要遵循的一般规则是，如果您的数据集有噪声，您应该有一个更大的值，并且它还与维数（在本例中为 10）相关。

【讨论】：