1

我对 HDBSCAN 中以下参数之间的区别感到困惑

  1. min_cluster_size
  2. min_samples
  3. cluster_selection_epsilon

如我错了请纠正我。

对于min_samples，如果设置为 7，则形成的簇需要有 7 个或更多点。因为cluster_selection_epsilon如果设置为 0.5 米，则任何相距超过 0.5 米的簇都不会合并为一个。这意味着每个集群将仅包含相距 0.5 米或更小的点。

那和 有什么不同min_cluster_size？

4

1 回答 1

1

他们在技术上做了两件不同的事情。

min_samples= 核心点的最小邻居数。这越高，越多的点将被丢弃为噪声/异常值。这是来自 HDBScan 的 DBScan 部分。

min_cluster_size= 最终集群的最小大小。这个值越高，你的集群就越大。这是来自 HDBScan 的 H 部分。

增加min_samples会增加集群的大小，但这样做是通过使用 DBSCAN 将数据丢弃为异常值来实现的。

min_cluster_size相比之下，在保持较小的同时增加会min_samples保留那些异常值，而是将任何较小的集群与其最相似的邻居合并，直到所有集群都高于min_cluster_size。

所以：

  1. 如果您想要许多高度特定的集群，请使用 smallmin_samples和 small min_cluster_size。
  2. 如果您想要更通用的集群但仍想保留大部分细节，请使用 smallmin_samples和 largemin_cluster_size
  3. 如果您想要非常非常一般的集群并丢弃集群中的大量噪音，请使用 largemin_samples和 large min_cluster_size。

（不可能使用大于 min_cluster_size 的 min_samples，afaik）

于 2021-06-10T04:14:14.733 回答