HDBSCAN 参数之间的差异

Question

我对HDBSCAN中以下参数之间的区别感到困惑

1. min_cluster_size
2. min_samples
3. cluster_selection_epsilon

如果我错了，请纠正我。

对于min_samples，如果设置为 7，则形成的聚类需要有 7 个或更多点。 对于cluster_selection_epsilon，如果将其设置为 0.5 米，则任何相距超过 0.5 米的聚类都不会合并为一个。这意味着每个聚类将仅包含相距 0.5 米或更小的点。

这与min_cluster_size有何不同？

Answer 1

从技术上讲，它们做两件不同的事情。

min_samples= 到核心点的最小相邻点数。此值越高，作为噪声/异常值丢弃的点就越多。这是来自 HDBScan 的 DBScan 部分。

min_cluster_size= 最终群集的最小大小。此值越高，群集就越大。这是来自HDBScan的H部分。

增加min_samples将增加集群的大小，但它通过使用 DBSCAN 将数据作为异常值丢弃来实现。

相比之下，增加min_cluster_size同时保持min_samples小，会保留这些异常值，而是将任何较小的聚类与其最相似的邻居合并，直到所有聚类都高于min_cluster_size。

所以：

1. 如果需要许多高度特定的群集，请使用小min_samples和小min_cluster_size。
2. 如果需要更通用的聚类，但仍希望保留大部分详细信息，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声，请使用大min_samples和大min_cluster_size。

(不能使用大于min_cluster_size min_samples，afaik)