问DBSCAN输入解释

EN

该算法在维基百科中得到了很好的描述。配置输入是：

• eps：epsilon社区的最大距离。
• minPts：形成区域所需的点数。

简单地说:如果数据点周围的epsilon邻域至少包含minPts，则创建一个新的集群。进一步投入：

• 数据集(显然)
• (可能)一个距离函数，如果算法允许这方面的参数化

对于"2输入“，你指的是偶然的两个变量(维度)吗？

如果您的代码仅适用于二维，请阅读距离函数。大多数距离函数可以很容易地计算出二维以上的距离函数。例如，欧几里得距离定义为

sqrt(pow(x_i-y_i, 2).sum())

当你把i从1循环到n> 2的时候，效果也很好。

DBSCAN有两个明显的隐参数和一个隐参数: minPts和epsilon是明显的参数，隐藏参数是距离函数。这对结果的影响最大，需要数据的理解才能选择。不幸的是，没有选择这个参数的经验法则。这取决于你的数据。

如果您在Weka实现中得到了不同的结果，我并不感到惊讶。它包含隐式数据规范化，这往往会产生意想不到的结果.DBSCAN的最佳实现可以在埃尔基中找到。如果您启用数据索引，它会非常快。