问题标签 [dbscan]

我已经在 R 中实现了 DBSCAN 算法，并且我将集群分配与fpc 库的 DBSCAN 实现相匹配。对 fpc 库 dbscan 示例中给出的合成数据进行测试：

使用以下参数进行聚类：

我正在将 的集群分配fpc::dbscan与我的dbscan. 运行的最大值显示每个点都被两种实现方式相同地分类。

但是在某些情况下，在我的实现中，与 fpc 实现中不同的集群分配了 1 或 2 个点，少数情况下 5 或 6 个点被分配给不同的集群。我注意到只有边界点分类不同。在绘制之后，我看到集群成员在实现中不匹配的点处于这样的位置，这样它就可以分配给它周围的任何集群，这取决于它首先是从哪个集群的种子点被发现的。

我正在显示一个 150 点的图像（以避免混乱），其中 1 点分类不同。请注意，在我的实现中，失配点簇数总是大于 fpc 实现。

聚类图。

顶部插图是 fpc::dbscan，底部插图是我的 dbscan 实现

注意我的实现中的不同点标有感叹号（！）我还上传了不匹配部分的缩放图像：

我的 dbscan 实现输出

+是核心点

o是边界点

-是噪声点

!突出不同点

fpc::dbscan 实现输出

三角形是核心点 彩色圆圈是边界点 黑色圆圈是噪声点

另一个例子：

我的 dbscan 实现输出

fpc::dbscan 实现输出

编辑

等 xy 缩放示例

根据 Anony-Mousse 的要求

在不同的情况下，有时我的实现似乎正确分类了不匹配点，有时 fpc 实现似乎正确分类了不匹配点。见下文：

fpc::dbscan （带有三角形图）似乎正确分类了不匹配点

我的 dbscan 实现（带有 + 绘图）似乎正确分类了不匹配点

问题

• 我是聚类分析的新手，因此我有另一个问题：这些类型的差异是否允许？

• 在我的实现中，我从提供的第一个点扫描到最后一个点，并且fpc::dbscan这些点也以相同的顺序扫描。在这种情况下，两个实现都应该!从同一个集群中心发现失配点（用 标记）。此外，我还生成了一些fpc::dbscan将点标记为噪声的情况，但我的实现将其分配给了一些集群。在这种情况下，为什么会出现这种差异？

应要求提供代码段。

如何使用 DBSCAN 算法对相似的 url 进行分组。我见过很多数据集，但没有一个在 url 上，我想采用类似类型的 url 并将其组合在一起。在这里，我无法知道距离（eps），而 minpoints 可以是要分组的 url 的数量。

可能重复：
如何将 DBSCAN 算法应用于相似 url 的分组

我被告知在我的期末 sem 中做一个项目，因为该项目涉及使用 DBSCAN 对相似的字符串进行聚类。我想知道这可以使用 DBSCAN 来完成，如果是，那么我该如何实现。

嗨，我一直在尝试为 Neo4j 实现 DBSCAN 算法，但遇到了严重的性能瓶颈。我将描述实现，然后寻求帮助。

我对可能的 epsilon 值进行了离散化，并将每个节点的每个离散化下的邻居数计数，以便能够在一个查询中检索所有核心节点。

这部分很快，不快的部分是后续查询：

然后我选择一个核心节点开始，只要还有核心节点邻居，运行上面的查询来标记他们的邻居。

我认为问题在于我的图具有非常不同的稀疏度 - 从只有弱相似性开始，它几乎是完全连接的，在 ~10k 节点之间有 ~50M 关系，而在强相似性时，~10k 之间的关系只有 ~20k节点（或更少）。无论如何，它总是真的很慢。我处理这个问题的最佳方法是什么？是否对关系类型和起始节点进行索引？我还没有找到关于这个问题的任何资源，而且令人惊讶的是还没有实现，因为这是一个非常标准的图形算法。我可以使用 scikit.learn 但我将仅限于内存中的距离矩阵:(

我一直在寻找这个问题的答案很长一段时间，所以我希望有人能帮助我。我正在使用 R 中 fpc 库中的 dbscan。例如，我正在查看 USArrests 数据集并在其上使用 dbscan，如下所示：

在这种情况下，选择 eps 只是通过反复试验。但是我想知道是否有可用于自动选择最佳 eps/minpts 的函数或代码。我知道有些书建议制作到最近邻居的第 k 个排序距离的图。即，x 轴表示“根据与第 k 个最近邻的距离排序的点”，y 轴表示“第 k 个最近邻距离”。

这种类型的绘图有助于为 eps 和 minpts 选择合适的值。我希望我已经提供了足够的信息来帮助我。我想张贴我的意思的图片，但是我还是个新手，所以还不能张贴图片。

我正在尝试在大约 5000 条记录的列表中查找重复项。每条记录都是一个人的姓名和地址，但都在一个字段中输入不一致，所以我正在尝试一种模糊匹配方法。我的方法（使用rapidminer）是对文本进行一些预处理（即标记化，删除常见和不相关的单词，例如“先生”等），生成TF-IDF并使用DBSCAN对匹配记录进行聚类。这很有效，并给出了很好的结果，但是当我尝试运行完整的数据集时需要很长时间。这也会导致很多只有一个元素的簇，我不知道这会如何影响 DBSCAN 的计算时间。

是否有一种聚类算法可以更快地处理此类数据，或者是否有更好的方法来解决这个问题？

I'm having issue with using OPTICS implementation in ELKI environment. I have used the same data for DBSCAN implementation and it worked like a charm. Probably I'm missing something with parameters but I can't figure it out, everything seems to be right.

Data is a simple 300х2 matrix, consists of 3 clusters with 100 points in each.

DBSCAN result:

Clustering result of DBSCAN

MinPts = 10, Eps = 1

OPTICS result:

Clustering result of OPTICS

MinPts = 10

这些天来，我一直在研究 C-mex 代码，以提高 DBSCAN matlab 代码的速度。事实上，此刻我在 C-mex 上完成了 DBSCAN。但相反，我的测试数据是 3 x 14414 矩阵，它需要更多时间（matlab 中为 14.64 秒，C-Mex 中为 53.39 秒）。我认为这是由于mxRealloc在我的代码的几个部分中使用了函数。如果有人给我一些建议以获得更好的结果，那就太好了。

这是代码 DBSCAN1.c：

https://www.dropbox.com/sh/mxn757a2qmniy06/PmromUQCbO

使用此代码，我可以理解我可以绘制单个集群。

对于上面的代码，我得到以下输出，

我得到了所有 11 个集群。

如果我想在特定集群中显示数据，我需要为此编写什么 R 脚本。

我在论文中使用 WEKA，并且有超过 1000 行数据。该数据库包括人口统计信息（年龄、位置、状态等），然后是产品名称（值 1 或 0）。最终结果是一个推荐系统。我使用了两种聚类方法，K-Means和DBScan。

使用时K-means我尝试了 3 个不同数量的集群，而使用时DBscan我选择了 3 个不同的 epsilon（Epsilon 3 = 48 个集群，忽略了 17% 的数据，Epsilone 2.5 = 19 个集群，而集群 0 包含 229 个项目，忽略了 6%。）意思是我有相同数据的 6 个不同聚类结果。

如何选择最适合我的数据的内容？