Machine learning Eps、DBSCAN中的哪些分数重要

在DBSCAN中，如果我们有minPoints=3，并且我们想要确定一个点是否为核心点，那么您是将该点本身计算在Eps中，还是需要在其Eps中包含3个其他点？

根据维基百科中的算法，点

P

的区域查询返回

P的
eps
邻域内的所有点，包括
P

这是算法（来自）

DBSCAN（D、eps、MinPts）
C=0
对于数据集D中的每个未访问点P
将P标记为已访问
neightrpts=regionQuery（P，eps）
如果sizeof（邻接点）=MinPts
NeighborPts=与NeighborPts连接的NeighborPts
如果P'还不是任何集群的成员
将P'添加到集群C
地区查询（P、eps）
返回P的eps邻域内的所有点（包括P）

由于核心点被定义为一个具有多个点的点，这些点与Eps一起被定义为
MinPts
，我想说的是，在确定它是否是核心点时，该点本身被计算在内。
DBSCAN是一个具有数据库上下文的算法

为了获得良好的性能，您需要一个能够使用索引加速此类查询的数据库—这将运行时从
O（n^2）
减少到
O（n log n）

如果向数据库发送范围查询，它将返回此区域内的所有对象，包括查询点。您必须手动从结果中删除查询点

但也从逻辑的角度来看：这是一个密度度量。为什么密度估计必须排除查询对象？它是数据集的一部分，它应该像任何其他对象一样对密度作出贡献

我看不出有任何理由从每个查询的数据集中删除查询点。
我认为您误解了我的问题，或者将其与其他问题混淆了。：）没有。“点本身”在数据库上下文中通常称为“查询点”。因为你在数据库中查询这一点的邻居。你完全正确，我读你的帖子有点快。对不起，谢谢你的重播！
DBSCAN(D, eps, MinPts)
   C = 0
   for each unvisited point P in dataset D
      mark P as visited
      NeighborPts = regionQuery(P, eps)
      if sizeof(NeighborPts) < MinPts
         mark P as NOISE
      else
         C = next cluster
         expandCluster(P, NeighborPts, C, eps, MinPts)

expandCluster(P, NeighborPts, C, eps, MinPts)
   add P to cluster C
   for each point P' in NeighborPts 
      if P' is not visited
         mark P' as visited
         NeighborPts' = regionQuery(P', eps)
         if sizeof(NeighborPts') >= MinPts
            NeighborPts = NeighborPts joined with NeighborPts'
      if P' is not yet member of any cluster
         add P' to cluster C

regionQuery(P, eps)
   return all points within P's eps-neighborhood (including P)