当簇数未知但没有噪声时，哪种聚类算法最好？
Which clustering algorithm is the best when number of cluster is unknown but there is no noise?
我有一个聚类数量未知的数据集，我的目标是对它们进行聚类。因为，我事先不知道集群的数量，所以我尝试使用基于密度的算法，尤其是 DBSCAN。我对 DBSCAN 的问题是如何检测适当的 epsilon。 DBSCAN 论文中建议的方法假设存在一些噪声，当我们绘制排序的 k-dist 图时，我们可以检测谷值并定义 epsilon 的阈值。但是，我的数据集是从受控环境中获得的，没有噪音。
有人知道如何检测 epsilon 吗？或者，建议更好的聚类算法可以解决这个问题。
总的来说，没有无监督的epsilon检测。根据您的描述，DBSCAN 是一种非常合适的方法。
现实世界的数据往往具有平缓的距离梯度；决定什么距离应该是截止点是一个判断调用，需要了解范例和最终用途。简而言之，该问题需要原始数据中不包含的知识。
我建议您使用简单的步进方法来收敛您想要的解决方案。将 epsilon 设置为您的观察表明合适的某个简单值。如果碎片过多，请将 epsilon 增加 3 倍；如果集群太大，则减少 3 倍。重复运行，直到获得所需的结果。
我有一个聚类数量未知的数据集，我的目标是对它们进行聚类。因为，我事先不知道集群的数量，所以我尝试使用基于密度的算法，尤其是 DBSCAN。我对 DBSCAN 的问题是如何检测适当的 epsilon。 DBSCAN 论文中建议的方法假设存在一些噪声，当我们绘制排序的 k-dist 图时，我们可以检测谷值并定义 epsilon 的阈值。但是，我的数据集是从受控环境中获得的，没有噪音。
有人知道如何检测 epsilon 吗？或者，建议更好的聚类算法可以解决这个问题。
总的来说，没有无监督的epsilon检测。根据您的描述，DBSCAN 是一种非常合适的方法。
现实世界的数据往往具有平缓的距离梯度；决定什么距离应该是截止点是一个判断调用，需要了解范例和最终用途。简而言之，该问题需要原始数据中不包含的知识。
我建议您使用简单的步进方法来收敛您想要的解决方案。将 epsilon 设置为您的观察表明合适的某个简单值。如果碎片过多，请将 epsilon 增加 3 倍；如果集群太大，则减少 3 倍。重复运行，直到获得所需的结果。