DBSCAN -为地理空间数据(坐标)找到Eps和MinPts的最佳方法
问题：找出DBSCAN算法的和MinPts参数的最佳方法？
Problem：目标是根据坐标(输入数据)找到位置(集群)。该算法计算访问次数最多的区域并检索这些聚类。
逼近
我将epsilon (Epsilon)参数定义为1.5km--转换为可由DBSCAN算法使用的弧度：epsilon = 1.5 / 6371.0088 (参考这个1.5km：https://geoffboeing.com/2014/08/clustering-to-reduce-spatial-data-set-size/)。
如果我将MinPts定义为一个低值(例如，MinPts = 5，它将生成2000个集群)，那么DBSCAN将产生太多的集群，我希望将集群的相关性/大小限制在一个可接受的值上。我使用哈弗森度量和球树算法来计算点之间的大圆距离。
建议
- knn方法寻找
- ；
- 领域知识，并确定EPS和MinPts.
的最佳值。
data ：我使用160 k坐标，但是程序应该能够处理不同的数据输入。
回答 1
Stack Overflow用户
发布于 2020-08-13 11:03:53
正如你可能知道的，设置MinPts高不仅会阻止小星系团的形成，而且会改变更大的星团的形状，因为它的外围将被认为是离群点。
相反，考虑第三种方法来减少集群的数量；只需按递减大小(坐标数)进行排序，并将其限制为4或5。这样，如果您对集群不感兴趣，就不会向它们显示所有的小集群，但是您可以将所有这些点作为噪声处理。
本质上，您使用DBSCAN来做一些它并不打算做的事情，即查找n最大的集群，但这很好--您只需要“调整算法”以适应您的用例。
更新
如果您知道整个数据集，而且将来不会更改，我将根据您的知识手动调整minPts。
在科学环境和不同的数据集中，您认为数据是“由随机过程生成的”。然而，这意味着有一个机会--不管多小--在同一时间的偏远森林里有minPts犬，或者在中央公园里有minPts - 1狗，那里通常都人满为患。
我的意思是，如果你走在科学的道路上，你需要在minPts的确定性值和数据集中点的概率分布之间找到一个平衡。
根据我的经验，这一切都取决于你是否信任你的知识，或是否愿意推迟责任。在一些政府/科学/大型公司的职位上，将某些东西固定在算法上比凭直觉更安全。在其他情况下，使用直觉是安全的。
https://stackoverflow.com/questions/63393222
复制相似问题
腾讯云开发者
