HDBSCAN参数区别

Question

我对 HDBSCAN 中以下参数之间的差异感到困惑

1. 最小簇大小
2. 最小样本数
3. cluster_selection_epsilon

如我错了请纠正我。

对于min_samples，如果设置为 7，则形成的簇需要有 7 个或更多点。因为cluster_selection_epsilon如果设置为 0.5 米，则任何相距超过 0.5 米的簇都不会合并为一个。这意味着每个簇仅包含相距 0.5 米或更小的点。

这与 有何不同min_cluster_size？

Answer 1

从技术上讲，他们做了两件不同的事情。

min_samples= 核心点的最小邻居数。该值越高，作为噪声/异常值而被丢弃的点就越多。这是来自 HDBScan 的 DBScan 部分。

min_cluster_size= 最终簇的最小大小。这个值越高，你的集群就越大。这是来自 HDBScan 的 H 部分。

增加min_samples会增加簇的大小，但它是通过使用 DBSCAN 将数据作为异常值丢弃来实现的。

相比之下，min_cluster_size在保持较小的同时增加，会保留这些异常值，但会将任何较小的簇与其最相似的邻居合并，直到所有簇都高于。min_samplesmin_cluster_size

所以：

1. 如果您想要许多高度特定的集群，请使用smallmin_samples和small min_cluster_size。
2. 如果您想要更通用的聚类，但仍想保留大部分细节，请使用小min_samples和大min_cluster_size
3. 如果您想要非常非常通用的集群并丢弃集群中的大量噪音，请使用largemin_samples和large min_cluster_size。

（不可能使用大于 min_cluster_size 的 min_samples，afaik）