Question

我目前正在尝试用R实现DBSCAN算法来查找数据中的异常值。为了初始化参数（尤其是epsilon），我必须在我的样本中绘制到第k个邻居（我选择k = 3）的距离的升序排序序列，并查看肘部在哪里为epsilon选择正确的值。

正如我所说我使用的是R统计语言，我找到了两个不同的函数来计算到第k个邻居nndist()和kNNdist()的距离。如果我在默认情况下理解得很好，它会使用欧几里德距离。但是在我的数据中，函数不会显示相同的结果。为了说明我的问题，我在着名的iris数据集上实现了两个函数，你可以看到结果完全不同：

data(iris)
iris <- as.matrix(iris[,1:4])

distance_third_neighbour_iris = iris %>% nndist(k = 3)

as.vector(quantile(distance_third_neighbour_iris, probs = 0.99))
### gives 0.68

distance_third_neighbour_iris = iris %>% kNNdist(k = 3)

as.vector(quantile(distance_third_neighbour_iris, probs = 0.99))
### gives 0.81

显然，默认情况下两个函数似乎都没有使用相同的距离或计算方法。

Answer 1

这里有几个问题：

当nndist将矩阵作为输入时，它假定它只是二维的。为了接受iris数据集的四列作为四维点并触发nndist的多维版本 - nndist.ppx - 您首先需要转换iris到这样的ppx点：ppx(iris)
即使在照顾到1之后，结果仍然会有所不同。那是因为kNNdist不仅仅产生到k = 3邻居的距离，而是一个数据帧，其中包含一个列，所有距离都高达k = 3（即k = 1，k = 2和k） = 3）。因此，当您尝试仅为k = 3获取值并且想要将其与nndist的结果进行比较时，您应该只使用第三列，如下所示：distance_third_neighbour_iris_knndist[,3]

您修改的代码应该是：

library(dbscan)
library(spatstat)

data(iris)
iris <- as.matrix(iris[,1:4])

distance_third_neighbour_iris_nndist = ppx(iris) %>% nndist(k = 3)

as.vector(quantile(distance_third_neighbour_iris_nndist, probs = 0.99))
### gives 0.8776718

distance_third_neighbour_iris_knndist = iris %>% kNNdist(k = 3)

as.vector(quantile(distance_third_neighbour_iris_knndist[,3], probs = 0.99))
### gives 0.8776718

函数nndist和kNNdist有什么区别？

1 个答案: