ELKI中DBSCAN MinPts参数的含义
Meaning of DBSCAN MinPts Parameter in ELKI
我有一个看似微不足道的问题。我需要有人为我澄清 ELKI 实现中 DBSCAN MinPts 参数的含义。
如果我使用k = 4 的值来绘制排序的k-dist 图，它表示一个点的距离p 到它的第 4 个最近的邻居。这意味着该邻域包含 5 个点 (k + 1)； 4个邻居加点p.
在ELKI中，MinPts是只表示邻居还是也包括点p？在上面的例子中，应该设置为4还是5？
original DBSCAN paper (Ester et al. 1996) talks of setting MinPts to k (MinPts = 4). The DBSCAN Wikipedia article 似乎也意味着 MinPts 指的是 p 周围的邻居。然而，ELKI 似乎期望 MinPts 设置为 k + 1 (MinPts = 5)。
有好心人澄清一下。
参数pro包括查询点：
如果您在数据库上下文中，并且向数据库发送查询
Select all objects within a radius of r around coordinates x,y,z
那么数据库会包含查询点，如果它存储在数据库。特别是，如果不希望包含它，您可以轻松将其删除。 从数据库的角度来看，查询应该包括查询点，如果它在数据库中，而不是，如果它没有存储在数据库。
更进一步，如果你做密度估计，那么每个数据点都应该对密度有贡献，不是吗？为什么一分会特别？具有完全相同坐标的其他点呢？如果您在数据库中 而不是 的点估计密度怎么办？如果您稍微远离查询点，您会看到密度突然增加！
如果您尝试将 k 最近邻定义为对数据库 D 的查询，并且 不 要求查询点 x 是数据库的一部分，则很自然地，结果应该包括查询点 if 它是 D.
的一部分
参数反对包括查询点：
另一方面，1-最近邻通常是查询点是违反直觉的。通常，不幸的是，当您查找 "the nearest neighbor" 时，您 做 的意思是 "the nearest other object"。
即使这会正式转换为 "nearest object to the coordinates of my query point in my database without my query point".
在文献中使用不一致：
不幸的是，这在文献中并不一致。
有些 articles/authors/applications 包含查询点，有些则不包含查询点。对于两个案例，我可以从文献中举出很多例子。
即使是一篇文章，有时也会在一张图中包含查询点，而在另一张图中却没有！
永远不会 有一个解决方案可以按照每个人的期望行事，因为人们对 "correct" 有不同的看法，不幸的是。
具体一点，仔细检查！
您必须决定您想要的行为，并仔细检查所有内容是否按照您期望的方式运行。 记录你的决定和观察。
请自行检查ELKI中k距离图的实现是否包含查询点。对于 0.7 或 0.8 版本，我们甚至可能（已经）改变了这个 class 的行为；所以对我来说可能与对你不同。 真的，真的看看你正在使用的确切版本的来源。
如果 k 距离图不 包含查询点，则您需要为 minPts=4 使用 3 距离。如果它 包含 查询点，则 4 距离与 minPts=4 一致。我很确定 DBSCAN 确实 出于上述原因（数据库观点，密度估计观点）计算查询点。因此对于 DBSCAN，minPts=1 是废话（每个点都是核心点），minPts=2 是单链接聚类（合并任何 epsilon-neighbors）。只有在 minPts > 2 时，您才开始获得真正的 DBSCAN 结果。
GDBSCAN建议使用2*dim-1代替4；我通常从 minPts=10 开始，然后尝试 20。选择更大的 minPts 有几个原因：
- 更高的维度通常需要更大的
minPts（但对于文本数据，维度是没有意义的-最多选择固有维度）
- 噪音：您的数据越嘈杂，您就需要越高
minPts
- 重复：如果你有很多重复，你又需要增加
minPts
但不要过度。索引效率随着查询半径的增大而大幅下降。您希望选择尽可能小的 minPts，同时仍能得到有趣的结果。另外请使用多个值，以获得不同的视图。
请记住，聚类是 探索性 数据挖掘。它的意思是要求你试验参数，研究结果，重复。因为没有正确的聚类结果。聚类结果的质量取决于您能否对数据获得 新见解。仅重现已知结果的聚类实际上失败了。
我有一个看似微不足道的问题。我需要有人为我澄清 ELKI 实现中 DBSCAN MinPts 参数的含义。
如果我使用k = 4 的值来绘制排序的k-dist 图，它表示一个点的距离p 到它的第 4 个最近的邻居。这意味着该邻域包含 5 个点 (k + 1)； 4个邻居加点p.
在ELKI中，MinPts是只表示邻居还是也包括点p？在上面的例子中，应该设置为4还是5？
original DBSCAN paper (Ester et al. 1996) talks of setting MinPts to k (MinPts = 4). The DBSCAN Wikipedia article 似乎也意味着 MinPts 指的是 p 周围的邻居。然而，ELKI 似乎期望 MinPts 设置为 k + 1 (MinPts = 5)。
有好心人澄清一下。
参数pro包括查询点：
如果您在数据库上下文中，并且向数据库发送查询
Select all objects within a radius of r around coordinates x,y,z
那么数据库会包含查询点，如果它存储在数据库。特别是，如果不希望包含它，您可以轻松将其删除。 从数据库的角度来看，查询应该包括查询点，如果它在数据库中，而不是，如果它没有存储在数据库。
更进一步，如果你做密度估计，那么每个数据点都应该对密度有贡献，不是吗？为什么一分会特别？具有完全相同坐标的其他点呢？如果您在数据库中 而不是 的点估计密度怎么办？如果您稍微远离查询点，您会看到密度突然增加！
如果您尝试将 k 最近邻定义为对数据库 D 的查询，并且 不 要求查询点 x 是数据库的一部分，则很自然地，结果应该包括查询点 if 它是 D.
的一部分参数反对包括查询点：
另一方面，1-最近邻通常是查询点是违反直觉的。通常，不幸的是，当您查找 "the nearest neighbor" 时，您 做 的意思是 "the nearest other object"。 即使这会正式转换为 "nearest object to the coordinates of my query point in my database without my query point".
在文献中使用不一致：
不幸的是，这在文献中并不一致。 有些 articles/authors/applications 包含查询点，有些则不包含查询点。对于两个案例，我可以从文献中举出很多例子。
即使是一篇文章，有时也会在一张图中包含查询点，而在另一张图中却没有！
永远不会 有一个解决方案可以按照每个人的期望行事，因为人们对 "correct" 有不同的看法，不幸的是。
具体一点，仔细检查！
您必须决定您想要的行为，并仔细检查所有内容是否按照您期望的方式运行。 记录你的决定和观察。
请自行检查ELKI中k距离图的实现是否包含查询点。对于 0.7 或 0.8 版本，我们甚至可能（已经）改变了这个 class 的行为；所以对我来说可能与对你不同。 真的，真的看看你正在使用的确切版本的来源。
如果 k 距离图不 包含查询点，则您需要为 minPts=4 使用 3 距离。如果它 包含 查询点，则 4 距离与 minPts=4 一致。我很确定 DBSCAN 确实 出于上述原因（数据库观点，密度估计观点）计算查询点。因此对于 DBSCAN，minPts=1 是废话（每个点都是核心点），minPts=2 是单链接聚类（合并任何 epsilon-neighbors）。只有在 minPts > 2 时，您才开始获得真正的 DBSCAN 结果。
GDBSCAN建议使用2*dim-1代替4；我通常从 minPts=10 开始，然后尝试 20。选择更大的 minPts 有几个原因：
- 更高的维度通常需要更大的
minPts（但对于文本数据，维度是没有意义的-最多选择固有维度） - 噪音：您的数据越嘈杂，您就需要越高
minPts - 重复：如果你有很多重复，你又需要增加
minPts
但不要过度。索引效率随着查询半径的增大而大幅下降。您希望选择尽可能小的 minPts，同时仍能得到有趣的结果。另外请使用多个值，以获得不同的视图。
请记住，聚类是 探索性 数据挖掘。它的意思是要求你试验参数，研究结果，重复。因为没有正确的聚类结果。聚类结果的质量取决于您能否对数据获得 新见解。仅重现已知结果的聚类实际上失败了。