问题标签 [dbscan]

scikit-learn我在python 模块中使用 DBSCAN 算法测试我的图像集。相似度计算有一些替代方案：

我可以尝试加权度量或类似的方法，例如？

我有一个点数据集；

（更大的数据集，但这是一般结构。）

我想根据距离和时间对点进行聚类。DBSCAN 似乎是一个不错的选择，因为我不知道有多少集群。

我目前正在使用分钟/5500（我相信，它大约是 20 米，按比例缩放。）

由于我有原始数据，因此我无法理解如何确定缩放/距离。我可以猜测缩放或未缩放时的 eps 值，但我不清楚缩放是做什么的，或者正在使用什么距离度量（也许是欧几里德距离？）在某处是否有相关文档？

（这不是要找到一种自动选择方法，（例如为 DBSCAN (R) 选择 eps 和 minpts？），而是关于不同值的含义。说“您首先需要一个距离函数”并不能解释距离函数是什么正在使用的是，或者如何创建一个......）

我需要根据它们与不同介词（如代理、工具、时间、地点等）的分布来找到自然出现的名词类别。我尝试使用 k-means 聚类，但帮助较少，效果不佳，我正在寻找的类有很多重叠（可能是因为类的非球形形状和 k-means 中的随机初始化）。

我现在正在使用 DBSCAN，但我无法理解此聚类算法中的 epsilon 值和 mini-points 值。我可以使用随机值还是需要计算它们。任何人都可以帮忙。特别是对于 epsilon，至少在需要时如何计算它。

我试图自学 ML 并遇到了这个问题。非常感谢该领域更有经验的人的帮助！

假设我有三个向量，其中包含浴室、客厅和厨房等房屋隔间的区域。数据包括大约 70,000 所房屋。每个单独向量的直方图显然具有双峰分布的证据，例如双分量高斯混合。我现在想要某种 ML 算法，最好是无监督的，它可以根据这些属性对房屋进行分类。说：大浴室，小厨房，大客厅。

更具体地说，我想要一种算法来为每个双峰分布向量选择最佳可能的分离阈值，比如大/小厨房（这可以是二元的，因为我们假设有双峰的证据），对其他人做同样的事情并对数据进行聚类. 理想情况下，这将带有一些信心措施，以便我可以检查处于中间状态的房屋……例如，一栋带有明显大厨房的房屋，但其浴室将接近大/小浴室的阈值区域/边界例如，放在“大厨房和大浴室”列表的底部。由于这个原因，首先决定一个阈值（用不太可能的 FDR 拟合高斯），折叠数据然后聚类是不可取的。

关于如何进行的任何建议？我知道 R 和 python。

非常感谢！！

我正在尝试编写 DBSCAN 算法来聚类一组点，但我得到的结果非常糟糕。这可能是因为数据，但不仅如此。我得到不应该发生的大小 < minPoints 的集群。

我究竟做错了什么？我已经多次查看代码，但我无法弄清楚问题是什么。

我参考了DBSCAN Wikipedia page上给出的算法。

我正在尝试理解由 scikit ( http://scikit-learn.org/0.13/auto_examples/cluster/plot_dbscan.html ) 实现的 DBSCAN 算法的示例。

我换了行

，X = my_own_data所以我可以将自己的数据用于 DBSCAN。

现在，labels_true作为第二个返回参数的变量make_blobs用于计算结果的一些值，如下所示：

如何labels_true从我的数据中计算X？在这种情况下，scikit 到底是什么意思label？

感谢您的帮助！

我试图通过 scikit-learn 理解 DBSCAN 实现，但我遇到了麻烦。这是我的数据样本：

然后我按照提供的示例计算 D

D返回一个矩阵，其中包含每个点与所有其他点之间的距离。因此对角线始终为 0。

然后我运行 DBSCAN 为：

eps = 1.1意味着，如果我很好地理解了文档，那么距离小于或等于 1.1 的点将被考虑在一个集群（核心）中。

D[1]返回以下内容：

这意味着第二个点到第一个和第三个点的距离为 1。所以我希望他们建立一个集群，但是......

这意味着没有找到核心，对吧？这是其他 2 个输出。

为什么会有集群？

我正在尝试实现与DBSCAN一起使用的KD 树。问题是我需要找到满足距离标准的所有点的所有邻居。问题是当我在我的实现中使用该方法时，我在使用朴素搜索（这是所需的输出）时没有得到相同的输出。我的实现改编自python 实现。这是我到目前为止所得到的：nearestNeighbours

当我运行它时，我得到以下输出（后半部分是模型输出）：

我想不通为什么邻居不一样，似乎可以发现a->b是邻居，但不是b->a也是邻居。

运行 scikit 的 dbscan 算法时出现内存错误。我的数据大约是 20000*10000，它是一个二进制矩阵。

（也许DBSCAN不适合用这样的矩阵。我是机器学习的初学者。我只想找到一个不需要初始簇号的簇方法）

无论如何，我发现了 scikit 的稀疏矩阵和特征提取。

http://scikit-learn.org/dev/modules/feature_extraction.html http://docs.scipy.org/doc/scipy/reference/sparse.html

但我仍然不知道如何使用它。在 DBSCAN 的规范中，没有关于使用稀疏矩阵的指示。不允许吗？

如果有人知道如何在 DBSCAN 中使用稀疏矩阵，请告诉我。或者你可以告诉我一个更合适的集群方法。

I have a dataset with 1000 dimensions and I am trying to cluster the data with DBSCAN in Python. I have a hard time understanding what metric to choose and why.

Can someone explain this? And how should I decide what values to set eps to?

I am interested in the finer structure of the data so the min_value is set to 2. Now I use the regular metric that is preset for dbscan in sklearn, but for small eps values, such as eps < 0.07, I get a few clusters but miss many points and for larger values i get several smaller clusters and one huge. I do understand that everything depends on the data at hand but I am interested in tips on how to choose eps values in a coherent and structured way and what metrics to choose!

I have read this question and the answers there are with regards to 10 dimensions I have 1000 :) and I also do not know how to evaluate my metric so it would be interesting with a more elaborate explanation then: evaluate your metric!

Edit: Or tips on other clustering algorithms that work on high dimensional data with an existing python implementation.