Python 2.7 给定一个具有正常值和异常值的数据集，是否有任何标准的方法来找到epsilon的正常值以实现DBSCAN。

我正在对一些数据进行DBSCAN的个人实现，但当我必须为我必须使用的每种数据集动态查找epsilon时，我遇到了问题，因为在实现DBSCAN之前，epsilon的平均值也考虑了异常值，因此结果epsilon也具有异常值的影响，这对我来说是个问题。有什么办法可以解决这个问题吗

这是计算特定数据集ε的代码部分：

xmax = np.max(X,axis = 0)
xmin = np.min(X,axis = 0)
min_max = xmax-xmin
k = 10
eps = (min_max[0]*min_max[1]*k/(len(X)*math.pi))**0.5

---

我使用了numpy模块中的一些函数，如max、min。

如果找到合适的epsilon值是一个主要问题，那么真正的问题可能早在那之前就存在了：您可能一直在使用错误的距离度量，或者您可能有一个预处理问题

您的代码看起来很像一种幼稚的预处理方法——这就是它的工作原理

---

同时阅读DBSCAN论文。作者在第4.2节中提出了一种选择ε的方法，您可以将其自动化…

阅读您的评论后，您有以下选择： 1.光学元件 2.桦木 3.均值漂移算法 4.局部离群因子

---

5.最困难的，但在你的情况下最好的（据我所知）：使用神经网络

我的数据集有一个特点，即点在二维空间中的分布不是以斑点的形式，而是有点像不连续曲线，这使得实现epsilon近似方法变得很困难，如原始DBS第4.2节中所讨论的那样。你可以选择不需要设置epsilon的光学器件吗？我正在研究光学器件，但考虑到没有Python实现，我需要时间。同时，为了“研究”的目的，我需要使用DBscan产生良好的结果Selki有一个完全工作的光学实现。如果结果对你有用，你可以在自己实现之前试试。还要注意，实现的可用性并不意味着它是一个好的实现。比较scipy的kmeans和sklearn的kmeans。一个巨大的不同，当我第一次看到它的时候，我简直不敢相信。（也许在下一个版本中它会消失）太多的算法。。！！你喜欢数据挖掘还是什么？