我有一个聚类数量未知的数据库，并希望对其进行聚类。由于事先不知道聚类的数量，我尝试使用基于密度的算法，特别是DBSCAN。我在使用DBSCAN时遇到的问题是如何检测合适的epsilon。DBSCAN论文中建议的方法假设存在一些噪声，当我们绘制排序后的k-dist图时，可以检测到谷底并定义epsilon的阈值。但是，我的数据库来自受控环境，没有噪声。

有没有人知道如何检测epsilon？或者，建议一个更适合此问题的聚类算法。

回答：

一般来说，没有无监督的epsilon检测方法。从你描述的情况来看，DBSCAN是一个非常合适的方法。

现实世界的数据往往具有距离的渐变；决定什么距离应该是截止点，需要对范式和最终用途有了解。简而言之，这个问题需要的数据知识不在原始数据中。

我建议你使用简单的步进方法来逐步逼近你想要的解决方案。将epsilon设置为你观察到的一个简单值，你认为这个值可能是合适的。如果聚类过于分散，增加epsilon的因子为3；如果聚类过大，则减少epsilon的因子为3。重复运行直到得到你想要的结果。