Algorithm DBSCAN vs OPTICS用于自动群集

我知道DBSCAN需要两个参数（minPts和Eps）。然而，我对光学元件需要什么参数感到困惑，因为一些来源说它需要eps，而另一些来源说它只需要MINPT

如果我试图自动确定最适合丢弃异常值的参数值，那么使用哪种算法更好？

根据，minPts和Eps都是必需的。那些说不需要Eps的消息来源可能正在使用某种方法来自动确定Eps的良好价值。然而，包含Eps只是为了减少算法的运行时间。这不是必需的

关于哪种方法最适合去除离群值，最好的方法莫过于用数字支持您的决策：获取一个数据集并标记其离群值，然后对其运行两种算法。对集群使用某种性能度量（AUC、F分数等）来选择最佳。根据，MINPT和Eps都是必需的。那些说不需要Eps的消息来源可能正在使用某种方法来自动确定Eps的良好价值。然而，包含Eps只是为了减少算法的运行时间。这不是必需的

---

关于哪种方法最适合去除离群值，最好的方法莫过于用数字支持您的决策：获取一个数据集并标记其离群值，然后对其运行两种算法。对集群使用某种性能度量（AUC、F-score等）来选择最佳值。

光学系统可以在eps=infinity的情况下运行。但这是O（n^2）复杂性。 （假设您有一个实际使用索引进行加速的实现。）

---

但是光学并没有像DBSCAN那样定义明确的噪声概念。最接近的方法是取集群层次结构的最顶层（即完整的数据集）减去下面集群中的任何内容。但是，给定一个层次聚类，您可以在层次中的多个级别上使用“噪波”，因此噪波的概念在这里不再有效。

光学可以在eps=infinity的情况下运行。但这是O（n^2）复杂性。 （假设您有一个实际使用索引进行加速的实现。）

---

但是光学并没有像DBSCAN那样定义明确的噪声概念。最接近的方法是取集群层次结构的最顶层（即完整的数据集）减去下面集群中的任何内容。但是，给定一个层次聚类，您可以在层次中的多个级别上使用“噪波”，因此噪波的概念在这里不再有效。

总之，有一些区别：

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（最小堆），以确定下一个数据点，该数据点在可达性距离方面最接近当前正在处理的点。由于最近邻查询比DBSCAN中的radius查询更复杂，因此它还需要更多的计算能力

更少的参数：光学聚类技术不需要维护epsilon参数，仅在上述伪代码中给出，以减少所需时间。这将减少参数调整的分析过程

光学器件不会将给定的数据分离到集群中。它只产生一个可达距离图，由程序员解释相应地对点进行聚类

光学系统对参数设置相对不敏感。如果参数刚好“足够大”，则效果良好

有关更多详细信息，请参阅

光学

---

总而言之，对于dbscan，有几个不同之处：

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（最小堆），以确定下一个数据点，该数据点在可达性距离方面最接近当前正在处理的点。由于最近邻查询比DBSCAN中的radius查询更复杂，因此它还需要更多的计算能力

更少的参数：光学聚类技术不需要维护epsilon参数，仅在上述伪代码中给出，以减少所需时间。这将减少参数调整的分析过程

光学器件不会将给定的数据分离到集群中。它只产生一个可达距离图，由程序员解释相应地对点进行聚类

光学系统对参数设置相对不敏感。如果参数刚好“足够大”，则效果良好

有关更多详细信息，请参阅

光学

---

对于dbscan

光学算法，我一直混淆的一个概念是如何自动确定可达性以最小化噪声？本文定义了两个与去除噪声相关的距离：点（对象）的核心距离p，这是它与最近点之间的距离，该距离允许空间中包含的点的计数为最小点。然后，存在两点p和o的可达距离（o是簇的原点），这是o的核心距离或o和p之间的距离（d（o，p）可能小于o的核心距离）的最大值。如图4所示。如果某个物体的某些Eps为“Eps”，且其核心距离大于Eps，则该物体被归类为噪声。本文的图8详细描述了这方面的算法。我在原始文章中没有看到作者是如何选择Eps的，但我可能忽略了它。他们似乎是根据可达距离来选择的。我在重读一遍，看看我错过了什么。我一直对光学算法感到困惑的一个概念是，如何自动确定可达性以最小化噪声？这篇论文定义了两个与去除噪声相关的距离：c