Python DBSCAN中的替代相似性度量？

我在python模块中的DBSCAN算法上测试了我的图像集。相似性计算有多种选择：

# Compute similarities
D = distance.squareform(distance.pdist(X))
S = 1 - (D / np.max(D))

---

一个加权度量或类似的东西，我可以试试，例如？

你可以使用任何你喜欢的相似矩阵。它只需要基于一个有效距离（对称、半正定）。

存在一个DBSCAN的推广，称为“广义DBSCAN”

实际上，对于DBSCAN，你甚至不需要距离。这就是为什么首先计算一个相似矩阵是没有意义的

你需要的是一个谓词“GETBealNosits”，它将你认为是邻居的对象计算出来。 请参阅：在DBSCAN中，距离并不是真正使用的，只是用来测试对象是否是邻居。所以你只需要这个布尔决定

您可以尝试以下方法：使用所有1初始化矩阵。 对于任何两个对象，<强>你认为类似于你的应用<强>（我们不能帮助你很多，不知道你的应用程序和数据），用0填充相应的单元格。

---

然后用EpSimon＝0.5运行dBSCAN，显然dBSCAN将所有的0作为邻居考虑。

< P>我相信dBSCAN估计器需要距离而不是相似性。但是当涉及到字符串时，它需要一个相似性矩阵，它甚至可以是一行代码来匹配两个字符串之间的相等性。因此，这取决于您如何使用相似性矩阵，以及如何区分相邻对象和非相邻对象。

我不知道其他相似性矩阵，有什么例子吗？或者列出我可以选择的位置？稀疏正向量（例如词频）之间的余弦相似性、热核或RBF核、基于l1（曼哈顿）范数而非欧几里德范数的相似性……实际上不，它不需要是有效的距离/度量。DBSCAN只需要一个二进制“isNeighbor”信息。从技术上讲，没有对称性要求。您可以使用随机矩阵，DBSCAN仍然可以工作。（但适当距离的结果通常更好）@博士后，你需要找出什么是“相似的”为您的特定任务！实际上，

DBSCAN

估计器想要的是距离，而不是相似性。