HDBSCAN参数之间的区别

Question

我对 HDBSCAN 中以下参数之间的区别感到困惑

1. min_cluster_size
2. min_samples
3. cluster_selection_epsilon

如有错误请指正

对于min_samples，如果设置为7，则形成的簇需要有7个或更多的点。 对于cluster_selection_epsilon，如果设置为0.5米，则任何相距超过0.5米的簇都不会合并为一个。这意味着每个集群将只包含相距 0.5 米或更小的点。

这与 min_cluster_size 有何不同？

Answer 1

他们在技术上做了两件不同的事情。

min_samples = 核心点的最小邻居数。越高，将丢弃的点数越多，如 noise/outliers。这是来自 HDBScan 的 DBScan 部分。

min_cluster_size = 最终簇的最小大小。这个值越高，你的集群就越大。这是来自HDBScan的H部分。

增加 min_samples 会增加聚类的大小，但它是通过使用 DBSCAN 将数据作为异常值丢弃来实现的。

在保持 min_samples 较小的同时增加 min_cluster_size，相比之下，保留了那些异常值，而是将任何较小的集群与其最相似的邻居合并，直到所有集群都在 min_cluster_size 以上。

所以：

1. 如果您想要许多高度特定的集群，请使用小 min_samples 和小 min_cluster_size。
2. 如果您想要更笼统的聚类但仍想保留大部分细节，请使用小的 min_samples 和大的 min_cluster_size
3. 如果您想要非常非常一般的聚类并丢弃聚类中的大量噪声，请使用大 min_samples 和大 min_cluster_size。

（不可能使用比 min_cluster_size 大的 min_samples，afaik）