基于非密度的数据聚类算法

Question

我正在开发一个聚类分析程序，该程序将一组点S作为输入，并使用它所属的簇的索引来标记每个点。 我已经实现了DBScan和OPTICS算法，它们都能按预期工作。 但是，根据MinPts和Epsilon的初始值，这些算法的结果可能会非常不同。 我已经在网上搜索了很多，并且阅读了许多有关数据挖掘和聚类分析的论文，但是我似乎找不到一种无需MinPts和Epsilon来确定某个点是否在此类聚类中的数据分析方法。 我猜想基于密度的聚类分析不是我的情况。

是否有人对我可以使用的不需要这种配置的算法有任何想法或了解？ 或直接指出正确的方向。 欢迎任何帮助。

谢谢！

这是我要完成的一个学校项目，其中有一组2D坐标表示飞机上的点，并且我必须确定每个点所属的群集。 现在，我已经使用OPTICS做到了这一点，并且工作正常，但是我需要调整Eps值，以便我的输出与给出的示例输出匹配。 但是，由于我无法描述主题中的簇是什么，或者簇的特征是什么，因此我无法仅基于点之间的距离或给定区域中点的密度来建立自己。 另外，我不知道簇的数量，因此我使用OPTICS算法。 因此，我认为，或者我做错了什么，或者该主题中缺少重要的信息。 而且，我并不是在寻找任何人做作业或提供任何源代码，而只是提供一些想法或指导，因为我几乎迷失了如何获得数据集示例中给出的确切结果（我是也不允许获得任何错误的值，如果我这样做的话，他们会认为该项目失败了，因此不能使用具有错误余量的算法）。

再次感谢您，对冗长的帖子表示抱歉。

Answer 1

通常，可以以多种方式将一组点分配给聚类（例如，可以将它们全部分配给一个大聚类，或者分为两个或三个），因此您必须具有一些参数。

您为什么反对MinPts和Epsilon？ 如果您不喜欢更改它们时会发生什么，请不要更改它们。 认真。

编辑：
多么奇怪的任务！ 您的集群必须完全匹配他们的集群，没有其他线索吗？ 我将假定它们既不是白痴也不是施虐者，并做出以下猜测：在示例中，存在一个显而易见的“自然”聚类。 我对吗？ 如果是这样，那么就有一种方法可以根据点集中的距离以编程方式设置参数。 有多少个例子，可以发表一个吗？

编辑：
哈！ 我就知道！ 这是一条规则，可以将这种情况正确地分为几类：找到任何点到其最近邻居的最大距离，并且如果任意两个点之间的距离小于该距离的两倍，则它们属于同一类。 我敢打赌，它也会在其他情况下起作用。

Answer 2

您可以尝试研究那里的许多其他集群算法 。 您有概率群集（EM），分区群集（KMeans），分层群集以及许多其他功能...当然，每个都需要不同类型的配置

另外，请确保尝试使用Weka ，这是一个包含大量机器学习算法（分类，聚类，预处理等）的开源工具。 我相信它为上述所有算法提供了一种实现（Java）。

---

编辑 ：确定哪个群集最好的问题是非常依赖于域的。 一切都取决于在您的应用程序上下文中如何使用集群，以确定集群的有用性（此外，您的数据可以有多个自然集群 ）。