我有一个看似简单的问题。我需要有人帮我澄清一下在ELKI实现中DBSCAN的MinPts参数的含义。
如果我使用k = 4的值来绘制排序的k-距离图，这意味着点p到其第四个最近邻居的距离。这意味着邻域包含5个点（k + 1）；4个邻居加上点p。
在ELKI中，MinPts是仅指邻居，还是也包括点p？在上述情况下，它应该设置为4还是5？
原始DBSCAN论文（Ester等人，1996年）提到将MinPts设置为k（MinPts = 4）。DBSCAN的维基百科文章似乎也暗示MinPts指的是点p周围的邻居。然而，ELKI似乎期望MinPts被设置为k + 1（MinPts = 5）。
请有人帮我澄清一下。
回答：
支持包含查询点的论点：
如果你在一个数据库环境中，并且向数据库发送查询
选择在坐标x,y,z周围半径r内的所有对象
那么数据库会包含查询点，如果它被存储在数据库中。特别是，如果不希望包含它，你可以很容易地将其移除。从数据库的角度来看，查询应该包含查询点，如果它在数据库中，如果不在数据库中，则不包含。
更进一步，如果你进行密度估计，那么每个数据点都应该对密度有所贡献，不是吗？为什么一个点会特殊？如果有其他点具有完全相同的坐标怎么办？如果你在数据库中不存在的点处估计密度会怎样？你会看到当你从查询点稍微移动时，密度会突然增加！
如果你试图将k最近邻定义为对数据库D的查询，并且不要求查询点x是数据库的一部分，那么结果自然应该包含查询点，如果它是D的一部分。
反对包含查询点的论点：
另一方面，1最近邻通常是查询点，这一点是违反直觉的。通常，当你在寻找“最近邻居”时，你确实是指“最近的其他对象”，不幸的是。即便这在形式上翻译为“在我的数据库中我的查询点坐标的最近对象，不包括我的查询点”。
文献中使用不一致：
不幸的是，文献中对此的使用并不一致。一些文章/作者/应用包含查询点，而另一些则不包含。我可以从文献中列举出许多支持两种情况的例子。
甚至同一篇文章有时在一个图中包含查询点，但在另一个图中不包含！
永远不会有一个解决方案能满足所有人的期望，因为人们对什么是“正确”的看法不同，不幸的是。
要具体，并双重检查！
你必须决定你想要的行为是什么，并双重检查一切是否按你期望的方式运行。记录你的决定和观察。
请自己检查ELKI中k距离图的实现是否包含查询点。我们甚至可能（已经）在0.7或0.8版本中更改了这个类的行为；所以对我来说可能与你不同。真的，真的要查看你所使用的确切版本的源代码。
如果k距离图不包含查询点，你需要使用3距离来对应minPts=4。如果它包含查询点，那么4距离与minPts=4一致。我相当确定DBSCAN确实计算查询点，基于上述原因（数据库视角，密度估计视角）。因此，对于DBSCAN，minPts=1是无意义的（每个点都是核心点），minPts=2是单链接聚类（任何epsilon邻居都被合并）。只有当minPts > 2时，你才开始得到真正的DBSCAN结果。
GDBSCAN建议使用2*dim-1而不是4；我通常从minPts=10开始，然后尝试20。选择较大的minPts有几个原因：
- 较高的维度通常需要较大的
minPts（但对于文本数据，维度是无意义的 – 最多根据内在维度选择） - 噪声：数据越嘈杂，你需要的
minPts就越高 - 重复：如果你有很多重复，你同样需要增加
minPts
但不要过度。随着查询半径的增大，索引效率会显著下降。你希望选择尽可能小的minPts，同时仍然得到有趣的结果。还要使用多个值，以获得不同的视角。
记住，聚类是探索性的数据挖掘。它意味着你需要实验参数，研究结果，重复。因为没有正确的聚类结果。聚类结果的质量在于你是否能从中获得对数据的新见解。一个仅仅复制已知结果的聚类实际上是失败的。
