DBSCAN/OPTICS 算法中包含半径 epsilon 吗？
Is radius epsilon inclusive in DBSCAN/OPTICS algorithms?
The original paper 和其他资源（维基百科）总是根据半径 ε（必须有超过 MinPts 个邻居）使用 within[ 等表达式定义核心对象=19=] 或 最多 。这就留下了解释这个半径是否包含的空间：如果距离（p，q）是精确的ε，那么对象q是p的邻居吗？
这显然非常重要，因为所有的定义都是基于此...
我认为这根本不重要。因为有不同的方法可以找到 epsilon 和 none 的值，所以它们非常精确，而且它取决于您要聚类的数据的结构。
另外，如果在指定的运行机器上把epsilon的值改成比开发语言的精度高一点，这个问题就可以解决，不是他们的邻居！因此，由于这个问题对机器精度的敏感性，意味着在大多数一般情况下它不能对你的最终结果起到至关重要的作用。
原 dbscan paper 中邻域的定义是 dist(p, q) <= eps。但是，大多数实现将使用数据库索引支持的任何范围查询。在大多数情况下，这不会有什么不同，我的天哪是对的，通过将最小的可表示数字添加到 eps 将有效地将 < 更改为 <=.
The original paper 和其他资源（维基百科）总是根据半径 ε（必须有超过 MinPts 个邻居）使用 within[ 等表达式定义核心对象=19=] 或 最多 。这就留下了解释这个半径是否包含的空间：如果距离（p，q）是精确的ε，那么对象q是p的邻居吗？
这显然非常重要，因为所有的定义都是基于此...
我认为这根本不重要。因为有不同的方法可以找到 epsilon 和 none 的值，所以它们非常精确，而且它取决于您要聚类的数据的结构。
另外，如果在指定的运行机器上把epsilon的值改成比开发语言的精度高一点，这个问题就可以解决，不是他们的邻居！因此，由于这个问题对机器精度的敏感性，意味着在大多数一般情况下它不能对你的最终结果起到至关重要的作用。
原 dbscan paper 中邻域的定义是 dist(p, q) <= eps。但是，大多数实现将使用数据库索引支持的任何范围查询。在大多数情况下，这不会有什么不同，我的天哪是对的，通过将最小的可表示数字添加到 eps 将有效地将 < 更改为 <=.