c++ - 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，并用每个点所属聚类的索引来标记每个点。我已经实现了 DBScan 和 OPTICS 算法，它们都按预期工作。但是，这些算法的结果可能会因 MinPts 和 Epsilon 的初始值而大不相同。我在网上搜索并阅读了很多关于数据挖掘和聚类分析的论文，但我似乎无法找到一种不需要 MinPts 和 Epsilon 来确定一个点是否在这样的聚类中的数据分析方法。我猜测基于密度的聚类分析不适合我的情况。

有没有人知道或知道我可以使用不需要那种配置的算法？或者简单地指出我正确的方向。欢迎任何帮助。

谢谢!

这是我要完成的一个学校项目，其中我有一组代表平面上点的二维坐标，我必须确定每个点属于哪个簇。现在我已经使用 OPTICS 完成了这项工作并且工作正常但我需要调整 Eps 值以便我的输出与我给出的示例输出相匹配。但是由于我没有描述主题中的簇是什么，或者它的特征是什么，所以我无法完全根据点之间的距离或给定区域中点的密度来判断。另外，我事先不知道集群的数量，因此我使用了 OPTICS 算法。所以在我看来，要么我做错了，要么主题中缺少重要的信息。而且，我不是在找任何人做我的功课或给我任何源代码，只是一些想法或指导，因为我几乎不知道如何获得数据集示例中给出的确切结果(我是也不允许得到任何错误的值，如果我这样做，他们会认为该项目失败，因此不能使用具有误差范围的算法。

再次感谢，抱歉发了这么长的帖子。

Answer 1

一般来说，一组点可以以不止一种方式分配给簇(例如，它们可以全部分配给一个大簇，或者分成两个或三个)，所以你必须有一些 参数。

您为什么反对 MinPts 和 Epsilon？如果您不喜欢更改它们时发生的情况，请不要更改它们。说真的。

编辑:
多么奇怪的任务!您的聚类必须与他们的完全匹配，没有其他线索？我会假设他们既不是白痴也不是虐待狂，并做出以下猜测:在示例中，有一个“自然”的聚类，这对眼睛来说是显而易见的。我对吗？如果是这样，那么我们可以通过编程方式设置参数，作为点集中距离的函数。有多少例子，可以发一个吗？

编辑:
哈!我就知道!这里有一条规则可以正确地将这种情况划分为簇:找到从任何点到它最近的邻居的最大距离，如果任何两个点之间的距离小于该距离的两倍，它们就属于同一个簇。我敢打赌它也适用于其他情况。