OPTICS聚类算法。如何获得最好的epsilon

Question

我正在实施一个需要对地理点进行聚类的项目。 OPTICS算法似乎是一个非常好的解决方案。它只需要2个参数作为输入（MinPts和Epsilon），它们分别是将它们视为一个簇所需的最小点数，并且用于比较两个点所在的距离值是否可以放在同一个簇中。

我的问题是，由于各种各样的点，我无法设置固定的epsilon。 请看下面的图片。

the problem http://s13.postimage.org/u5a08nwvb/Immagine.png

相同的点结构但是在不同的比例下将导致非常不同。假设设置MinPts = 2和epsilon = 1Km。 在左侧，算法将创建2个群集（红色和蓝色），但在右侧，它将创建一个包含所有点（红色）的单个群集，但我想在右侧获得2个群集。

所以我的问题是：有没有办法动态计算epsilon值来得到这个结果？

编辑2012年6月5日下午3.15： 我以为我正在使用javaml库中的OPTICS算法实现，但它似乎实际上是一个DBSCAN算法实现。 所以现在的问题是：有没有人知道基于java的OPTICS算法实现？

非常感谢你，请原谅我的英语。

马

Answer 1

使用索引结构时，OPTICS中的epsilon值仅用于限制运行时复杂性。如果您没有加速度索引，可以将其设置为无穷大。

引用维基百科的OPTICS

  

严格来说，参数\ varepsilon不是必需的。它可以设置为最大值。当空间索引可用时，它在复杂性方面确实起到了实际作用。

你看起来更像DBSCAN而不是OPTICS。在OPTICS中，您不应该选择epsilon（作者应该将其称为max-epsilon！），但是您的集群提取方法将会解决这个问题。您使用的是OPTICS论文中提出的Xi萃取吗？

minPts更为重要。您应该尝试至少5或10的值，而不是2.使用2，您基本上执行单链接聚类！

一旦增加minPts，上面给出的示例应该可以正常工作！

Re：编辑你甚至可以在维基百科文章中看到，ELKI有一个合适的OPTICS实现，它是用Java编写的。

Answer 2

您可以尝试按封闭矩形的总大小来缩放epsilon。例如，您的左侧数据大约为4km x 6km（使用我的Mark I眼球进行测量），右侧大约2km x 2km。因此，右边的epsilon应该小一点2.5倍。

当然，这不能可靠地运作。如果在你的右手数据上，右边4公里处有一个额外的单点，向下2公里，这将使右侧的封闭矩形与左边相同，你会得到类似（错误）的结果。 / p>

Answer 3

您可以尝试最小生成树，然后删除最长边。剩余的生成树及其中心是OPTICS的最佳中心，您可以计算其周围的点数。

Answer 4

在上面的解释中，正是规模的变化造成了不确定性。当你的比例变大时，你的epsilon应该相应改变。因为它们处于两个非常不同的比例，所以你呈现的两个图像不是同一组点。在不更改参数的情况下，它们不会对您的OPTICS算法做出相同的响应。

简而言之，没有。没有办法动态计算epsilon来获得这个结果。像这样的聚类已经是NP-Hard，这些聚类算法（光学，k-means，veroni）只能近似最优解。