是否有人可以向我解释 dbscan 算法如何与 R*-Tree 一起工作？我了解 dbscan 的工作，看来，我了解 R*-Tree 的工作原理，但我无法将它们连接在一起。
最初，我有数据 - 具有 8 个特征的特征向量，但我不明白如何处理它们以构建 R*-Tree。如果有人列出我必须通过的主要步骤，我将不胜感激。
如果我的问题很明显，我深表歉意，但这会给我带来困难。 提前致谢！
【问题讨论】：
标签： cluster-analysis dbscan r-tree
R*-Tree 通过边界框索引任意几何对象。在您的情况下，由于您只有点，因此边界框的最小值和最大值是相同的。每个 R*-Tree 都有一个类似 rtree.add_element(object, boundingbox) 的函数。 object 将是数据点的索引，boundingbox 将如上所述。
连接点是 DBSCAN 的regionQuery 部分。数据点 p 的 regionQuery(p) 返回所有满足 euclideanDistance(p,q) ≤ ε（参数ε值由用户提供）。
天真地，您可以计算所有数据点到 p 的距离，这需要 O(n) 时间来获取一个数据点，从而查询所有 n 数据点需要 o(n²) 时间。或者，您可以预先计算一个矩阵，该矩阵包含所有数据点之间的欧几里德距离。然后这需要 O(n²) 的空间，而 regionQuery 只需在该矩阵中查找一个点。
R*-Tree 使您能够在 O(log n) 时间内查找坐标范围内的数据点。然而，R*-Tree 只允许查询形式为
"所有点，其中：[0.3 ; 0.5] 中的坐标 1 和 [0.8 ; 1.0] 中的坐标 2"
而不是
"所有点 q 其中：euclideanDistance(p,q) ≤ ε"
因此，您在 R*-Tree 中查询每个坐标是 p±ε 的相应坐标的点，然后计算所有匹配点到查询点 p 的欧式距离。但是，不同之处在于，与计算 p 到 all 点的欧几里德距离相比，要检查的点要少得多。因此，您的一个 regionQuery 的时间复杂度现在是 O(log n * m)，其中 m 是您的 R 返回的点数*-树。如果你选择 ε 小，你会从你的 R*-tree 中得到很少的匹配点，并且 m 会很小。因此，对于一个 regionQuery，您的时间复杂度接近 O(log n)，因此对于每个 regionQuery，您的时间复杂度接近 O(n * log n)数据点。在另一个极端，如果您选择的 ε 太大以至于它将包含您的大部分数据点，m 将接近 n，因此，每个 regionQuery 所需的时间数据点再次接近 O(n * log n * n) = O(n² * log n )，因此，与天真的方法相比，您一无所获。
因此，至关重要的是选择足够小的 ε，以使每个点在 ε 的欧几里德距离内只有几个其他点。
【讨论】：
R*-tree 是一个空间索引。
它可以更快地找到邻居。
【讨论】：