我正在尝试对一些地理空间数据进行聚类，我之前尝试过 WEKA 库。
我找到了这个 benchmarking ，并决定尝试 ELKI 。
尽管建议 而不是 使用 ELKI 作为 Java 库(假设它比 UI 维护更少)，但我将它合并到了我的应用程序中，我可以说我对结果非常满意。它用于存储数据的结构比 Weka 使用的结构高效得多，而且它可以选择使用空间索引这一事实无疑是一个加分项。
但是，当我将 Weka's DBSCAN 的结果与 ELKI's DBSCAN 的结果进行比较时，我有点困惑。我会接受不同的实现可以产生略有不同的结果，但这些差异幅度让我认为算法有问题(可能是我的代码)。两种算法中聚类的数量及其几何形状非常不同。
作为记录，我使用的是最新版本的 ELKI (0.6.0)，我用于模拟的参数是:
minpts=50
ε=0.008
我编写了两个 DBSCAN 函数(用于 Weka 和 ELKI)，其中“入口点”是一个带有点的 csv，它们的“输出”也是相同的:一个计算一组点的凹 shell 的函数(每个集群一个)。由于将csv文件读入ELKI“数据库”的函数比较简单，我想我的问题可能是:
a) 在算法的参数化方面；
b) 读取结果(最有可能)。
参数化 DBSCAN 不会带来任何挑战，我使用了两个强制参数，我之前通过 UI 测试过:
ListParameterization params2 = new ListParameterization();
params2.addParameter(de.lmu.ifi.dbs.elki.algorithm.clustering.DBSCAN.Parameterizer.MINPTS_ID, minPoints);
params2.addParameter(de.lmu.ifi.dbs.elki.algorithm.clustering.DBSCAN.Parameterizer.EPSILON_ID, epsilon);
读取结果有点挑战性，因为我不完全理解存储集群的结构的组织；我的想法是迭代每个集群，获取点列表，并将其传递给计算凹包的函数，以生成多边形。
ArrayList<Clustering<?>> cs = ResultUtil.filterResults(result, Clustering.class);
for (Clustering<?> c : cs) {
System.out.println("clusters: " + c.getAllClusters().size());
for (de.lmu.ifi.dbs.elki.data.Cluster<?> cluster : c.getAllClusters()) {
if (!cluster.isNoise()){
Coordinate[] ptList=new Coordinate[cluster.size()];
int ct=0;
for (DBIDIter iter = cluster.getIDs().iter(); iter.valid(); iter.advance()) {
ptList[ct]=dataMap.get(DBIDUtil.toString(iter));
++ct;
}
//there are no "empty" clusters
assertTrue(ptList.length>0);
GeoPolygon poly=getBoundaryFromCoordinates(ptList);
if (poly.getCoordinates().getGeometryType()==
"Polygon"){
try {
out.write(poly.coordinates.toText()+"\n");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}else
System.out.println(
poly.getCoordinates().getGeometryType());
}//!noise
}
}
我注意到“噪音”是作为一个簇出现的，所以我忽略了这个簇(我不想画它)。
我不确定这是否是阅读集群的正确方法，因为我没有找到很多例子。我也有一些问题，我还没有找到答案:
获取TopLevelClusters()？
同时属于多个集群？为什么？
点，因为它们是供 ELKI 内部使用的，但还有什么其他方式
有没有得到每个集群中的点列表？我读到你
可以对标签使用关系，但我不确定如何实际使用
实现这个...
任何可以为我指明正确方向的评论，或者任何迭代 ELKI 的 DBSCAN 结果集的代码建议都将非常受欢迎!我还在我的代码中使用了 ELKI 的 OPTICSxi，关于这些结果我有 甚至更多 问题，但我想我会把它留到另一篇文章中。
最佳答案
如果您注意它们的分配方式，则访问 ELKI 的 DBIDs 是有效的。
对于静态数据库，getDBIDs() 将返回一个 RangeDBIDs 对象，它可以为您提供数据库的偏移量。这是非常可靠的。但是如果你总是重启你的进程，无论如何都会确定性地分配 DBIDs (只有在使用 MiniGUI 时，如果你重新运行一个作业，它们会有所不同!)
这也将比 DBIDUtil.toString 更有效。
DBSCAN 结果不是分层的，因此每个集群都应该是顶级集群。
至于 Weka，它有时会自动归一化。那么epsilon 值将被扭曲。对于地理数据，无论如何我更喜欢大地距离，纬度和经度的欧几里得距离没有意义。
检查 Wekas 代码的这一部分: "norm" function, used by EuclideanDataObject 。在我看来，这确实好像 Wekas DBSCAN 对数据集强制执行了规范化!尝试将您的数据缩放到 [0:1](我很确定 ELKI 中有一个过滤器)，如果之后结果相同？
从这段代码片段来看，我会责怪 Weka。上面的代码在我看来也有点低效。过滤器方法使恕我直言比数据对象中的这种强制过滤更有意义。
关于cluster-analysis - 在 ELKI 中运行 DBSCAN，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23634614/