通过不使用原始研究论文中已经建议的算法来估计DBSCAN

Question

我必须使用python实现DBSCAN，并且epsilon估计一直存在问题，因为原始研究论文中已经建议的方法假设blob类似于数据集的分布，在我的情况下它更像是一个治愈的数据集在某些时间间隔跳跃。跳跃导致DBSCAN在跳跃之间的间隔中形成不同的数据集簇（这对我来说足够好），但是对于不同数据集动态的epsilon计算不会产生期望的结果，因为点往往位于直线上许多间隔，并改变＆＃39; k＆＃39;值会导致eps值发生相当大的变化。

Answer 1

尝试使用OPTICS算法，您不需要估算eps。 此外，我建议使用递归回归，您可以使用python的最佳曲线拟合scipy.optimize.curve_fit来获得最佳曲线，然后找到曲线上所有点的均方根误差。然后删除'n'百分点，并递归重复此操作，直到你的rms误差低于你的阈值。