在 DBSCAN 中，eps 实际上代表什么？答案

【问题标题】：In DBSCAN, what does eps represent actually?在 DBSCAN 中，eps 实际上代表什么？
【发布时间】：2015-07-05 09:28:46
【问题描述】：

假设我已经找到了所有密度的 eps。我应用了这里的方法http://ijiset.com/v1s4/IJISET_V1_I4_48.pdf

如果您不介意，请打开第 5 页并查看建议算法部分。在步骤 10.1，论文告诉我们计算 eps-neighborhood 中的对象数量。

eps 实际上代表什么？画圆是半径吗？那么，为什么半径这么小，比两个物体之间的距离还小呢？如果是这样，MinPts 将永远为 0。

【问题讨论】：

【解决方案1】：

是的，如果与欧几里得距离一起使用，那么它是一个半径。

它不是无限小（它确实不趋向于 0）。与数据集扩展相比，它应该很小，但作者可以将其命名为“r”。

使用原始论文来理解算法，而不是它的一些印度期刊变体。

【讨论】：

那么，你推荐什么纸？我一直在搜索直到现在，我猜超过 5 篇论文，但仍然得到相同的问题
您链接的论文中的参考文献 1。 Ester, Kriegel, Sander, Xu, KDD 1996
我现在明白了，但这里没什么问题。为什么 Weka 取非常小的 eps 值？原始论文建议使用“大”的 k-dist(p) 值，因为点之间的距离大于 eps。那我该怎么办？
Weka 适合分类，但不要用于聚类。但我不同意：default 值 0.9 并不是“非常小”，特别是因为它在将每个属性缩放到 [0:1] 后使用了距离。对于一维数据，0.9 大约占数据集的 90%，太大了。但显然这个参数根本不应该有默认值。
我主要使用 ELKI 进行集群，因为它很快；对于许多算法来说，根本没有其他工具可以实现。太糟糕了它缺乏分类，但幸运的是我不需要经常分类。我很想看到 ELKI 的分类。

【解决方案2】：

在欧几里得距离中，它是半径。每股收益的选择有点困难。

这个问题与模型选择有关，即特定模型的选择及其相应的参数化。在 k-means 的情况下（需要用户输入集群的数量），文献中有大量的措施可以帮助选择最佳的集群数量，例如：剪影、c-index ，邓恩，戴维斯-博尔丁。这些衡量标准就是所谓的相对有效性标准。

对于基于密度的聚类算法，也有一些度量，例如：CDbw 和 DBCV。

【讨论】：