Java DBSCAN及其索引是否应该具有相同的距离函数

是否要求DBSCAN及其索引具有相同的距离函数？如果不是，需要使用不同距离函数的情况是什么

Scala代码如何创建DBSCAN和索引：

import de.lmu.ifi.dbs.elki.algorithm.clustering.DBSCAN
import de.lmu.ifi.dbs.elki.algorithm.clustering.gdbscan.parallel.ParallelGeneralizedDBSCAN
import de.lmu.ifi.dbs.elki.data.model.Model
import de.lmu.ifi.dbs.elki.data.{Clustering, DoubleVector, NumberVector}
import de.lmu.ifi.dbs.elki.database.{Database, StaticArrayDatabase}
import de.lmu.ifi.dbs.elki.datasource.ArrayAdapterDatabaseConnection
import de.lmu.ifi.dbs.elki.distance.distancefunction.NumberVectorDistanceFunction
import de.lmu.ifi.dbs.elki.distance.distancefunction.minkowski.SquaredEuclideanDistanceFunction
import de.lmu.ifi.dbs.elki.index.tree.metrical.covertree.SimplifiedCoverTree

def createDatabase(data: Array[Array[Double]], distanceFunction: NumberVectorDistanceFunction[NumberVector]): Database = {
  val indexFactory = new SimplifiedCoverTree.Factory[NumberVector](distanceFunction, 1.3, 20)
  // Create a database
  val db = new StaticArrayDatabase(new ArrayAdapterDatabaseConnection(data), java.util.Arrays.asList(indexFactory))
  // Load the data into the database
  db.initialize()
  db
}

def dbscanClustering(data: Array[Array[Double]], distanceFunction: NumberVectorDistanceFunction[NumberVector]): Unit = {
  // Use the same `distanceFunction` for the database and DBSCAN <- is it required??
  val db = createDatabase(data, distanceFunction)
  val dbscan = new DBSCAN[DoubleVector](distanceFunction, 0.01, 20)
  val result: Clustering[Model] = dbscan.run(db)
  println(s"Number of clusters: ${result.getAllClusters.size()}")
  result.getAllClusters.asScala.zipWithIndex.foreach { case (cluster, idx) =>
    println(s"# $idx: ${cluster.getNameAutomatic}")
    println(s"Size: ${cluster.size()}")
    println(s"Model: ${cluster.getModel}")
}
val inputData: Array[Array[Double]] = ???
dbscanClustering(inputData, SquaredEuclideanDistanceFunction)

import de.lmu.ifi.dbs.elki.algorithm.clustering.DBSCAN
导入de.lmu.ifi.dbs.elki.algorithm.clustering.gdbscan.parallel.parallel.ddbscan
导入de.lmu.ifi.dbs.elki.data.model.model
导入de.lmu.ifi.dbs.elki.data.{聚类，双向量，NumberVector}
导入de.lmu.ifi.dbs.elki.database.{database，StaticArrayDatabase}
导入de.lmu.ifi.dbs.elki.datasource.ArrayAdapterDatabaseConnection
导入de.lmu.ifi.dbs.elki.distance.distancefunction.NumberVectorDistanceFunction
导入de.lmu.ifi.dbs.elki.distance.distance function.minkowski.squareducliedIndianceFunction
导入de.lmu.ifi.dbs.elki.index.tree.metrical.covertree.SimplifiedCoverTree
def createDatabase（数据：数组[Array[Double]]，距离函数：NumberVectorDistanceFunction[NumberVector]）：数据库={
val indexFactory=new SimplifiedCoverTree.Factory[NumberVector]（距离函数，1.3,20）
//创建数据库
val db=新的StaticArrayDatabase（新的ArrayAdapterDatabaseConnection（数据），java.util.Arrays.asList（indexFactory））
//将数据加载到数据库中
db.initialize（）
分贝
}
def dbscanClustering（数据：数组[Array[Double]]，距离函数：NumberVectorDistanceFunction[NumberVector]）：单位={
//对数据库和DBSCAN使用相同的“distanceFunction”
println（s“#$idx:${cluster.getNameAutomatic}”）
println（s“大小：${cluster.Size（）}”）
println（s“Model:${cluster.getModel}”）
}
val输入数据：数组[数组[双精度]]=？？？
dbscanClustering（输入数据，SquaredUclideAndInstanceFunction）

如果索引使用相同的距离函数，则该索引只能用于加速。 一些索引可以支持多个（但不是任意）距离，例如R*-树可以支持所有空间距离函数（尽管成功率各不相同）

显然，如果你建立一个索引来加速余弦距离，但是你要求欧几里得最近邻，那么这个索引不能也不会被使用

您不需要使用索引，但如果没有运行时，则将是O（n²）；使用索引可以更快（取决于参数、维度等-在最坏的情况下，索引是开销）