问题描述
问题：找出DBSCAN算法的Eps和MinPts参数的最佳方法是什么？
问题：目标是根据坐标（输入数据）查找位置（集群）。该算法计算访问量最大的区域并检索这些聚类。
方法：
我将epsilon（EPS）参数定义为1.5 km-转换为弧度以供DBSCAN算法使用：epsilon = 1.5 / 6371.0088（参考此1.5 km：https://geoffboeing.com/2014/08/clustering-to-reduce-spatial-data-set-size/）。
如果我将MinPts定义为一个较低的值（例如，MinPts = 5，它将产生2000个簇），则DBSCAN将产生太多的簇，并且我想将簇的相关性/大小限制为可接受的值。 我使用haversine度量和球树算法来计算点之间的大圆距离。
建议：
- knn方法来查找EPS；
- 领域知识，并确定EPS和MinPts的最佳价值。
数据：我使用的是16万个坐标，但是该程序应该能够处理不同的数据输入。
解决方法
您可能知道，将MinPts设置为高不仅会阻止小簇的形成，而且还会改变大簇的形状，因为其郊区将被视为离群值。
请考虑第三种减少集群数量的方法；只需按递减的大小（坐标数）进行排序并将其限制为4或5。这样，如果您对小簇不感兴趣，就不会看到所有小簇，但是您可以将所有这些点视为噪声
您实际上是在使用DBSCAN来完成其不想要的事情，即找到最大的n集群，但这很好-您只需要“调整算法”以适合您的用例即可。
更新
如果您知道整个数据集，并且以后不会更改，那么我将根据您的知识手动调整minPts。
在科学环境中以及具有不同数据集的情况下，您认为数据是“从随机过程生成的”。但是，这意味着无论有多小，都有机会同时在偏僻的森林中有minPts条狗，或者在通常人满为患的中央公园中有minPts - 1条狗
我的意思是，如果您走科学道路，则需要在minPts的确定性值与数据集中点的概率分布之间找到平衡。
根据我的经验，这全都取决于您是否信任自己的知识，或者想推迟承担责任。在某些政府/科学/大型公司职位上，将某些内容固定在算法上而不是直觉是比较安全的选择。在其他情况下，使用直觉是安全的。