DBSCAN中的參數如何肯定？

問題引入

提及聚類算法的話，你們可能都知道Kmeans，做爲密度聚類算法中的一種，DBSCAN也是一種較爲經常使用的算法，DBSCAN中重要的參數是Eps和MinPts，那麼這兩個參數該如何肯定呢？

問題解答

(1)  Eps的值能夠使用繪製k-距離曲線(k-distance graph)方法得當，在k-距離曲線圖明顯拐點位置爲對應較好的參數。若參數設置太小，大部分數據不能聚類；若參數設置過大，多個簇和大部分對象會歸併到同一個簇中。

K-距離：K距離的定義在DBSCAN算法原文中給出了詳細解說，給定K鄰域參數k,對於數據中的每一個點，計算對應的第k個最近鄰域距離，並將數據集全部點對應的最近鄰域距離按照降序方式排序，稱這幅圖爲排序的k距離圖，選擇該圖中第一個谷值點位置對應的k距離值設定爲Eps。通常將k值設爲4。

(2)  MinPts的選取有一個指導性的原則（a rule of thumb），MinPts≥dim+1,其中dim表示待聚類數據的維度。MinPts設置爲1是不合理的，由於設置爲1，則每一個獨立點都是一個簇，MinPts≤2時，與層次距離最近鄰域結果相同，所以，MinPts必須選擇大於等於3的值。若該值選取太小，則稀疏簇中結果因爲密度小於MinPts，從而被認爲是邊界點兒不被用於在類的進一步擴展；若該值過大，則密度較大的兩個鄰近簇可能被合併爲同一簇。所以，該值是否設置適當會對聚類結果形成較大影響。

參考

[1]https://blog.csdn.net/zhouxianen1987/article/details/68945844/

喜歡就關注一下啦~~~