DBSCAN中的参数如何肯定？

问题引入

提及聚类算法的话，你们可能都知道Kmeans，做为密度聚类算法中的一种，DBSCAN也是一种较为经常使用的算法，DBSCAN中重要的参数是Eps和MinPts，那么这两个参数该如何肯定呢？

问题解答

(1)  Eps的值能够使用绘制k-距离曲线(k-distance graph)方法得当，在k-距离曲线图明显拐点位置为对应较好的参数。若参数设置太小，大部分数据不能聚类；若参数设置过大，多个簇和大部分对象会归并到同一个簇中。

K-距离：K距离的定义在DBSCAN算法原文中给出了详细解说，给定K邻域参数k,对于数据中的每一个点，计算对应的第k个最近邻域距离，并将数据集全部点对应的最近邻域距离按照降序方式排序，称这幅图为排序的k距离图，选择该图中第一个谷值点位置对应的k距离值设定为Eps。通常将k值设为4。

(2)  MinPts的选取有一个指导性的原则（a rule of thumb），MinPts≥dim+1,其中dim表示待聚类数据的维度。MinPts设置为1是不合理的，由于设置为1，则每一个独立点都是一个簇，MinPts≤2时，与层次距离最近邻域结果相同，所以，MinPts必须选择大于等于3的值。若该值选取太小，则稀疏簇中结果因为密度小于MinPts，从而被认为是边界点儿不被用于在类的进一步扩展；若该值过大，则密度较大的两个邻近簇可能被合并为同一簇。所以，该值是否设置适当会对聚类结果形成较大影响。

参考

[1]https://blog.csdn.net/zhouxianen1987/article/details/68945844/

喜欢就关注一下啦~~~