Python 确定DBSCAN算法的输入值

我已经用python编写了实现DBSCAN集群算法的代码。 我的数据集由14k个用户组成，每个用户由10个特征表示。 我无法决定到底保留什么作为Min_样本值和epsilon作为输入 我该如何决定？

---

相似性度量是欧几里德距离（因此它变得更加难以确定）。任何指针？

DBSCAN通常很难估计其参数

你想过光学算法吗？在这种情况下，您只需要与最小集群大小相对应的Min_样本

---

否则，对于DBSCAN来说，我过去是通过反复试验来实现的：尝试一些值，看看会发生什么。要遵循的一般规则是，如果数据集有噪声，则应该有一个较大的值，并且它还与维度数相关（在本例中为10）。

评估数据集上的欧几里德距离。它有用吗？什么是合理的相似性阈值？然后将此阈值用作DBSCAN的ε。我应该如何在数据集上计算欧几里德距离？@Anony Mouse:我在想：将欧几里德距离标准化在0-1范围内是否有意义。现在距离可能会达到10公里以上，这使得sit很难确定阈值。但我不知道如何使其正常化。有什么想法吗？你可能想读一读维度诅咒，然后使用一些完全不同的距离函数。欧几里德距离在物理世界中是有意义的，但在任意空间中是没有意义的。