dbscan - 最大簇跨度的设置限制

Question

根据我对DBSCAN的理解，您可以指定100米的epsilon，因为DBSCAN考虑了密度可达性和不 <当找到簇时，em>直接密度可达性 - 最终得到一个簇，其中任意两点之间的最大距离> 100米在更极端的可能性中，似乎可以设置100米的epsilon并最终得到1公里的簇： see [2][6] in this array of images from scikit learn以获取何时可能发生的示例。 （我非常愿意被告知我是一个完全白痴并且误解了DBSCAN，如果这就是这里发生的事情。）

是否存在基于密度的算法，如DBSCAN，但是考虑到群集中任意两点之间的最大距离的某种阈值？

Answer 1

DBSCAN确实没有对群集施加总大小限制。

最好将epsilon值解释为分隔两个簇的间隙的大小（最多可能包含minpts-1个对象）。

我相信，你实际上甚至都没有寻找聚类：聚类是发现数据结构的任务。结构可以更简单（例如k-means）或复杂（例如通过分层聚类和k-means发现的任意形状的聚类）。

您可能正在寻找vector quantization - 将数据集缩减为较小的代表集 - 或set cover - 找到给定集合的最佳封面 - 而不是。

然而，我的印象是你不确定你需要什么以及为什么。

DBSCAN的优势在于它具有密度连接组件形式的结构的数学定义。这是一个强大的（除了一些罕见的边界情况）明确定义的数学概念，而DBSCAN算法是发现这种结构的最佳效率算法。

直接密度可达性但是，没有定义有用的（分区）结构。只是不会将数据分区为不相交的分区。

如果您不需要这种强大的结构（即您不像“结构发现”那样进行聚类，但是您只想像在矢量量化中一样压缩数据），则可以给出“冠层预聚类”一试。它可以看作是为聚类设计的预处理步骤。本质上，它就像DBSCAN，除了它使用两个epsilon值，并且不保证结构在任何方面都是最优的，但在很大程度上取决于数据的排序。如果你然后适当地预处理它，它仍然是有用的。除非您处于分布式设置中，否则冠层预聚类至少与完整的DBSCAN运行一样昂贵。由于需求松散（特别是“群集”可能重叠，并且预期对象属于多个“群集”），因此更容易并行化。

哦，您可能也只是在寻找完整链接层次聚类。如果将树形图切割到所需高度，则生成的簇应在所有两个对象之间具有所需的最大距离。唯一的问题是层次聚类通常是O(n^3)，即它不能扩展到大型数据集。 DBSCAN在O(n log n)中以良好的实现方式运行（具有索引支持）。