DBSCAN与OPTICS用于自动群集

Question

我知道DBSCAN需要两个参数(minPts和Eps)。然而，我对光学需要什么参数感到困惑，因为一些消息来源说它需要每股收益，而另一些人说它只需要minPts。

如果我试图自动确定最适合丢弃离群值的参数值，那么使用哪种算法会更好？

Answer 1

光纤可以与eps=infinity一起运行。但是它的复杂度是O(n^2)。(假设您有一个实际使用索引进行加速的实现。)

但光学没有像DBSCAN那样定义明确的噪声概念。你能得到的最接近的是集群层次结构的最高层(即完整的数据集)减去集群下面的任何东西。但是给定一个层次聚类，你可以在层次中的多个层次上有“噪声”，所以噪声的概念在这里不再有效。

Answer 2

总而言之，有几点不同：

内存成本:光学群集技术需要更多内存，因为它维护一个优先级队列(Min Heap)，以确定下一个数据点，该数据点根据可达性距离最接近当前正在处理的点。它还需要更多的计算能力，因为最近邻查询比DBSCAN中的radius查询更复杂。

更少的参数:光学聚类技术不需要维护epsilon参数，并且仅在上面的伪代码中给出，以减少所需的时间。这导致了参数调整的分析过程的减少。

光纤不会将给定数据隔离到集群中。它只产生一个可达性距离图，并根据程序员的解释相应地聚类点。

光学器件对参数设置相对不敏感。如果参数“足够大”，结果会很好。

有关更多详细信息，请参阅

用于光学的https://medium.com/@xzz201920/optics-d80b41fd042a

用于数据库扫描的https://medium.com/@xzz201920/dbscan-e1e50128074c