我已经使用DBSCAN的ELKI实现从火灾数据集中识别火灾热点群集，结果看起来非常好。数据集是空间的，集群基于纬度，经度。基本上，DBSCAN参数识别存在高浓度火点（由密度定义）的热点区域。这些是火灾热点地区。
我的问题是，在尝试了几个不同的参数并找到一个能够提供合理聚类结果的对后，如何验证群集？
我的用例是否有合适的正式验证方法？或者这主观取决于应用领域？
答案 0 :(得分：3)
ELKI包含许多用于聚类的评估函数。
使用-evaluator参数从evaluation.clustering.internal package开始启用它们。
其中一些不会自动运行，因为它们具有二次运行时成本 - 可能比您的聚类算法更多。
我不信任这些措施。它们专为特定的聚类算法而设计;并且主要用于决定 k -means的 k 参数;不仅如此。如果你盲目地采取这些措施，大多数时候你会得到无用的结果。此外，这些措施不适用于噪音，我们尝试过这两种策略。
最便宜的是基于标签的评估员。这些将自动运行，但显然您的数据没有标签（或者它们是数字，在这种情况下，您需要相应地设置-parser.labelindex参数）。就个人而言，我更喜欢调整兰德指数来比较两个聚类的相似性。所有这些索引都对 noise 敏感，因此除非你的参考与DBSCAN具有相同的噪声概念，否则它们对DBSCAN的效果不佳。
您想要解决问题，而不是号码。这就是＆＃34;数据科学＆＃34;的全部要点，面向问题，解决问题，而不是最大限度地减少一些随机质量数。如果结果在现实中不起作用，那么你就失败了。
答案 1 :(得分：1)
有多种方法可以验证DBSCAN集群输出。通常，我们可以区分内部索引和外部索引，具体取决于您是否有可用的标记数据。 对于DBSCAN，有一个很棒的内部验证指标，称为DBCV。
外部索引： 如果您有一些标记的数据，则外部索引将非常有用，并且可以证明群集与标记的数据相比的性能如何。一种示例性的索引是RAND索引。https://en.wikipedia.org/wiki/Rand_index
内部索引： 如果没有标签数据，则可以使用内部索引为聚类结果评分。通常，索引会计算聚类中点与其他聚类之间的距离，并尝试根据紧密度（聚类中的点彼此之间有多近？）为您评分。 可分离性（集群之间有多远？）。
对于DBSCAN，Moulavi等人有一种很棒的内部验证指标，称为 DBCV 。此处提供论文：https://epubs.siam.org/doi/pdf/10.1137/1.9781611973440.96 Python软件包：https://github.com/christopherjenness/DBCV