问题标签 [optics-algorithm]

我知道 DBSCAN 需要两个参数（minPts 和 Eps）。但是，我对 OPTICS 需要哪些参数感到困惑，因为一些消息来源说它需要 eps 而其他人说它只需要 minPts。

如果我试图自动确定最能丢弃异常值的参数值，哪种算法会更好？

我使用http://chemometria.us.edu.pl/download/OPTICS.M中的 optics.m 函数在 MATLAB 中计算光学算法。此函数输出所有点的 RD 和 CD 以及阶向量。我使用bar(RD(order));代码来显示它们的可达性图。但我想索引点簇并将它们分散在 MATLAB 中。我怎样才能做到这一点？

我将 elki 与 gui 和命令行一起使用，我想多次使用具有相同 minPts 值但不同 Xi 值的 Optics Xi 算法。因此，据我了解 Optics Xi 不需要多次运行正常的 Optics 算法来计算具有不同 Xi 参数的集群。有没有办法在 elki 中重用 Optics 的可达距离来进行 Optics Xi 计算？

我试图通过与 OPTICS 算法的语义相关性来聚类单词矩阵。

我有一个这样的矩阵：

我想将每一行视为一个向量（约 260 维）并将彼此最接近的术语聚类。

到目前为止我的代码：

问题

• 在聚类方面如何显示行名？
• 首先如何设置集群的数量？

我很难理解 OPTICS 聚类算法中排序的概念。

如果有人对排序给出合乎逻辑和直观的解释，并解释res$order以下代码中的作用以及可重复性图是什么（可以通过命令“plot(res)”获得），我将不胜感激。

res$order 给出以下输出：

[1] 1 363 209 349 337 301 357 333 321 285 281 253 253 241 177 177 153 57 257 29 77 169 105 293 293 229 145 181 385 393 377 377 377 381 381 381 381 381 185 33 [33] 157 345 213 205 97 49 33 41 193 149 17 83 389 25 121 329 5 161 341 217 [65] 189 141 85 53 53 225 313 313 313 289 289 261 261 221 173 69 61 297 61 297 125 81 125 81 133 129 197 191 203 379 399 375 [97] 351 311 235 231 227 71 11 299 271 291 291 147 55 23 323 23 323 219 275 47 263 3 367 33175 87 339 339 339 339 319 319 251 251 247 171 247 171 111 111 223 51 223 51 229] 343 51 63 [129] 283 215 143 131 115 99 31 183 43 243 199 79 27 295 67 347 255 239 195 187 139 107 39 119 179 [161] 395 371 201 123 159 91 211 355 103 327 95 7 167 35 267 155 387 383 335 315 259 135 15 113 279 373 4 353 265 127 45 37 [193] 19 276 224 361 260 288 336 368 348 292268 268 252 120 108 96 88 32 16 340 156 388 372 372 372 356 332 304 220 188 168 168 136 124 56 236 [225] 28 244 392 184 392 184 380 232 100 232 100 116 116 112 256 112 256 72 256 72 80 280 64 52 208 172 208 172 152 152 152 152 152 152 152 152 152 152 148 352 144 352 144 352 144 284 216 48 84 92 36 20 [257] 212 272 264 200 128 80 180 364 196 12 132 40 324 308 176 164 68 316 312 384 300 300 344 328 248 248 204 140 296 240 296 24 320 228 60 44 [289] 163 104 396 307 75 14 325 269 262 234 382 294 206 198 374 310 362 318 386 358 330 278 210 298 282 122 98 [321] 34 26 174 142 46 6 62 118 190 202 114 322 286 38 242 394 342 266 162 130 30 182 2 74 314 290 246 194 170 126 158 378 [353] [353] 350 254 226 214 70 18 10 366 354 186 150 86 150 86 306 102 338 346 134 250 138 94 78 94 78 390 274 58 42 258 42 258 42 258 42 258 66 90 146 370 222 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 154 302 230 5488 32 16 340 156 388 372 372 332 304 220 188 168 168 136 124 56 236 [225] 28 244 392 184 392 184 76 380 232 100 232 100 116 112 256 112 256 72 80 280 64 52 208 172 208 172 152 148 36 20 [257] 212 272 264 200 128 80 180 364 196 12 132 40 324 308 176 164 68 316 312 384 300 344 328 248 248 204 204 140 296 24 320 228 60 44 [289] 233 65 400 14 325 269 262 234 382 294 206 198 374 318 310 313 312 318 386 358 3333330 278 278 210 298 282 122 122 98 [321] 34 26 174 174 142 46 6 62 118 190 190 202 114 202 114 322 114 322 114 322 286 386 382 386 382 394 394 394 394 394 394 342 2662 2662 162 162 162 162 162 162 162 162 162 162 162 162 162 162 162 130 32 74 290 246 194 170 126 158 378 [353] 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 138 94 78 390 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 154 302 230 5488 32 16 340 156 388 372 372 332 304 220 188 168 168 136 124 56 236 [225] 28 244 392 184 392 184 76 380 232 100 232 100 116 112 256 112 256 72 80 280 64 52 208 172 208 172 152 148 36 20 [257] 212 272 264 200 128 80 180 364 196 12 132 40 324 308 176 164 68 316 312 384 300 344 328 248 248 204 204 140 296 24 320 228 60 44 [289] 233 65 400 14 325 269 262 234 382 294 206 198 374 318 310 313 312 318 386 358 3333330 278 278 210 298 282 122 122 98 [321] 34 26 174 174 142 46 6 62 118 190 190 202 114 202 114 322 114 322 114 322 286 386 382 386 382 394 394 394 394 394 394 342 2662 2662 162 162 162 162 162 162 162 162 162 162 162 162 162 162 162 130 32 74 290 246 194 170 126 158 378 [353] 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 138 94 78 390 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 154 302 230 54220 188 168 136 124 56 236 [225] 28 244 392 184 76 380 232 100 116 112 256 72 256 72 8 280 64 52 208 172 172 152 152 152 148 360 352 192 160 144 284 284 284 284 284 216 48 84 84 92 36 20 [257] 80 180 364 196 12 132 40 324 308 176 164 68 316 316 312 384 300 344 328 248 248 204 140 296 24 320 228 60 44 [289] 233 65 400 376 240 163 240 163 104 163 104 396 396 396 396 307 75 310 362 318 386 358 330 278 210 298 282 122 98 [321] [321] 34 26 174 142 46 6 62 118 190 202 114 322 286 386 38222222222223842 394 342 342 342 266 162 162 162 162 130 30 182 274 30 182 2 74 314 314 314 314 290 246 194 294 170 294 170 126 158 378 378 378 378 378 378 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 138 94 78 390 274 58 42 258 42 258 66 90 146 370 222 218 [385] 54220 188 168 136 124 56 236 [225] 28 244 392 184 76 380 232 100 116 112 256 72 256 72 8 280 64 52 208 172 172 152 152 152 148 360 352 192 160 144 284 284 284 284 284 216 48 84 84 92 36 20 [257] 80 180 364 196 12 132 40 324 308 176 164 68 316 316 312 384 300 344 328 248 248 204 140 296 24 320 228 60 44 [289] 233 65 400 376 240 163 240 163 104 163 104 396 396 396 396 307 75 310 362 318 386 358 330 278 210 298 282 122 98 [321] [321] 34 26 174 142 46 6 62 118 190 202 114 322 286 386 38222222222223842 394 342 342 342 266 162 162 162 162 130 30 182 274 30 182 2 74 314 314 314 314 290 246 194 294 170 294 170 126 158 378 378 378 378 378 378 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 138 94 78 390 274 58 42 258 42 258 66 90 146 370 222 218 [385] 548 8 280 64 52 208 172 152 148 360 3352 192 160 144 284 284 216 48 84 92 36 20 [257] 212 272 264 200 128 80 180 180 180 180 364 196 12 132 40 324 308 308 176 164 308 164 68 316 316 384 384 384 300 300 344 344 328 248244 328 248 204 324 204 204 204 140 296 296 24 320 228 60 44 [289] 233 65 400 376 240 163 104 396 307 75 14 325 269 269 262 262 234 382 294 206 198 374 374 318 374 310 310 318 386 358 3330 330 278 330 278 278 278 278 278 210 298 282 118 190 202 114 322 286 38 242 394 342 266 162 162 130 30 30 182 2 74 314 290 246 194 170 126 158 378 [353] 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 154 302 230 548 8 280 64 52 208 172 152 148 360 3352 192 160 144 284 284 216 48 84 92 36 20 [257] 212 272 264 200 128 80 180 180 180 180 364 196 12 132 40 324 308 308 176 164 308 164 68 316 316 384 384 384 300 300 344 344 328 248244 328 248 204 324 204 204 204 140 296 296 24 320 228 60 44 [289] 233 65 400 376 240 163 104 396 307 75 14 325 269 269 262 262 234 382 294 206 198 374 374 318 374 310 310 318 386 358 3330 330 278 330 278 278 278 278 278 210 298 282 118 190 202 114 322 286 38 242 394 342 266 162 162 130 30 30 182 2 74 314 290 246 194 170 126 158 378 [353] 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 154 302 230 54384 300 344 328 248 204 140 296 24 320 228 60 44 [289] 233 65 400 376 240 163 104 396 307 75 14 325 14 325 269 262 262 262 234 382 294 382 294 374 206 198 374 374 318 318 318 318 318 318 318 318 3386 3386 3386 3333333330 278 278 278 278 278 278 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 32 98 [3222222298] 3298 [3298] ] 34 26 174 142 46 6 62 118 190 202 114 322 286 38 242 394 394 394 342 266 162 130 30 182 2 74 314 290 246 194 170 170 126 158 378 [353] 338 346 134 250 138 94 78 390 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 106 10454 302 3384 300 344 328 248 204 140 296 24 320 228 60 44 [289] 233 65 400 376 240 163 104 396 307 75 14 325 14 325 269 262 262 262 234 382 294 382 294 374 206 198 374 374 318 318 318 318 318 318 318 318 3386 3386 3386 3333333330 278 278 278 278 278 278 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 298 32 98 [3222222298] 3298 [3298] ] 34 26 174 142 46 6 62 118 190 202 114 322 286 38 242 394 394 394 342 266 162 130 30 182 2 74 314 290 246 194 170 170 126 158 378 [353] 338 346 134 250 138 94 78 390 274 58 42 258 66 90 146 370 222 218 [385] 326 82 110 270 334 178 166 398 22 50 238 106 106 10454 302 3[353] 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 134 250 138 94 78 390 274 58 42 258 42 258 66 90 146 370 22222222222 218 [385] 154 302 230 54[353] 350 254 226 214 70 18 10 366 354 186 150 86 306 102 338 346 134 250 134 250 138 94 78 390 274 58 42 258 42 258 66 90 146 370 22222222222 218 [385] 154 302 230 54

并且“情节”产生了一个我无法发布的可达性情节，因为这是我在 StackExchange 上的第一个问题......但如果你运行 R 代码，你可以很容易地得到它。

原始论文和其他资源（维基百科）总是使用诸如within或up之类的表达式根据半径 ε（必须有多个MinPts邻居）定义一个核心对象。这留下了解释这个半径是否包含的空间：如果距离（p，q）是精确的 ε，那么对象 qa 是 p 的邻居吗？

这显然非常重要，因为所有的定义都基于...

作为我任务的一部分，我必须同时研究 HDBSCAN 和 OPTICS 聚类技术。我在许多网站上进行了研究，以确定这些算法之间的区别。我得到的只是 OPTICS 算法与 HDBSCAN 略有不同。我想了解更多关于这个算法的信息。有人可以帮助我了解这些算法与我们何时必须使用它们的特定用例之间的区别吗？另外，发布参考链接以供进一步阅读。谢谢

当我们从远处观察图像时，它看起来就像是纯色。

是否有一个已知的公式可以找到特定图像的颜色？

我正在尝试使用sklearn.cluster.OPTICS对已计算的相似度（距离）矩阵进行聚类，该矩阵中填充了归一化余弦距离（0.0 到 1.0）

但无论我在max_eps和eps中给出什么，我都没有得到任何集群。

稍后我需要在超过 129'000 x 129'000 个项目的相似矩阵上运行 OPTICS，希望依靠 Dask 来保持低内存占用。

我正在为少量单词（每个向量 300 维）提取 fasttext 向量，并使用 dask-distance 从向量创建相似度矩阵。

结果是一个如下所示的矩阵：

例如，我可以使用 0.8 的阈值进行聚类

哪个打印

但我原以为会有几个集群。

我已经为 OPTICS 中所有受支持的参数尝试了许多不同的值，但无法产生任何可用的或什至比一个更多的集群。

我正在使用以下版本：

这是使用 sklearn DBSCAN 代替的外观

产量

这是非常正确的，但内存占用要高得多（OPTICS 显然只需要计算矩阵的一半）

我正在寻找一种好的算法来识别数据集群，其中集群往往是线性的，有点像蛇一样的集群。我尝试了一些标准的聚类算法，如 DBSCAN、OPTICS、HDBSCAN 和 RobustSingleLinkage，但它们看起来都像下图一样，在蛇形簇和常规簇之间混淆了。有谁知道一个好的聚类算法来解决这个问题？

Anony-Mousse 的回答很有帮助。我将添加一些细节来展示我是如何应用它的。我使用了 DBSCAN，调整了 X 轴的比例和 DBSCAN eps 值，直到它开始拾取更多的水平簇。这非常有效，足以满足我的目的。