如何在 DBSCAN 中使用 knn 距离图估计 eps答案

【问题标题】：How to estimate eps using knn distance plot in DBSCAN如何在 DBSCAN 中使用 knn 距离图估计 eps
【发布时间】：2018-06-09 04:00:15
【问题描述】：

我有以下代码来估计 DBSCAN 的eps。如果代码没问题，那么我已经获得了knn distance plot。代码是：

ns = 4
nbrs = NearestNeighbors(n_neighbors=ns).fit(data)
distances, indices = nbrs.kneighbors(data)
distanceDec = sorted(distances[:,ns-1], reverse=True)
plt.plot(indices[:,0], distanceDec)

其中data 是像素位置（行和列）的数组。我已经获得了一个情节，但我不知道如何确定eps。根据DBSCAN论文，

阈值点是第一个山谷中的第一个点排序的k-dist图

我不知道如何在代码中实现它。此外，ns = 4 是我的minPts 还是有什么方法可以从eps 估计minPts？

【问题讨论】：

标签： python image-processing cluster-analysis knn dbscan

【解决方案1】：

据我所知，这是由人类视觉确定的。

自动化似乎不起作用。

或者您可以使用 OPTICS。

【讨论】：

您可能正在查看 n-1 最近的邻居，或者，我假设您的代码将始终返回 0 作为第一个距离。此外，您为情节选择的 x 对我来说没有意义。

【解决方案2】：

使用

plt.plot(list(range(1,noOfPointsYouHave+1)), distanceDec)

你会得到一个肘部图。曲线急剧变化的距离是您的 epsilon。

如果你愿意，你也可以设置 reverse=False。

【讨论】：