R中基于噪声的应用程序基于密度的空间聚类（DBSCAN）聚类

这个问题开始于“ 在R中聚集空间数据 ”，现在移到了DBSCAN问题。

正如对第一个问题的回答所建议的那样，我搜索了有关DBSCAN的信息并阅读了一些有关的文档。出现了新的问题。

DBSCAN需要一些参数，其中之一是“距离”。由于我的数据是三维，经度，纬度和温度，我应该使用哪个“距离”？哪个尺寸与该距离有关？我想应该是温度。如何找到R的最小距离？

另一个参数是形成聚类的最小点数。有没有找到该号码的方法？不幸的是我没有找到。

我在类似我的数据集中找不到使用dbscan的R示例，您知道有这样的示例的网站吗？因此，我可以阅读并尝试适应我的情况。

最后一个问题是我对DBSCAN的第一次R尝试（没有对先前问题的正确回答）导致内存问题。R说它不能分配向量。我从一个4 km的网格开始，该网格具有779191个点，在删除无效的SST点时，该点以大约300000行x 3列（纬度，经度和温度）结束。解决此内存问题的任何提示。它取决于我的计算机还是DBSCAN本身？

感谢您耐心阅读冗长且可能很无聊的消息以及您的帮助。

我仍然坚持这个问题。我在这里附上了R邮件列表中的一些建议（感谢Christian Hennig）：

您是否考虑过fpc库中的dbscan函数，还是另外一个？该fpc::dbscan()函数没有“ distance”参数，但是有几个选项，其中之一可以解决您的内存问题（请查看“ memory”参数的文档）。

使用成千上万个点的距离矩阵是灾难（在内存方面）的秘诀。我不确定您使用的功能是否可以做到这一点，但是fpc::dbscan()可以避免。

确实fpc::dbscan()需要调整用户必须提供的常数。不幸的是，没有通用的规则来做到这一点。有必要了解常量的方法和含义，以及如何将其转化为应用程序的要求。

您可以尝试几种不同的选择，并进行一些集群验证以查看有效的方法，但是我无法通过电子邮件轻松地对此进行概括性解释。

我已经对数据进行了一些尝试，但是没有成功：

“是的，我已经尝试过从fpc进行dbscan的操作，但是仍然遇到内存问题。关于您的回答，我不确定应该查看哪个内存参数。以下是我尝试使用dbscan参数的代码，也许您可​​以看看是否有任何错误。

> sstdat=read.csv("sst.dat",sep=";",header=F,col.names=c("lon","lat","sst"))
> library(fpc)
> sst1=subset(sstdat, sst<50)
> sst2=subset(sst1, lon>-6)
> sst2=subset(sst2, lon<40)
> sst2=subset(sst2, lat<46)
> dbscan(sst2$sst, 0.1, MinPts = 5, scale = FALSE, method = c("hybrid"), 
         seeds = FALSE, showplot = FALSE, countmode = NULL)
Error: no se puede ubicar un vector de tamaño  858.2 Mb
> head(sst2)
             lon   lat   sst
1257 35.18 24.98 26.78
1258 35.22 24.98 26.78
1259 35.27 24.98 26.78
1260 35.31 24.98 26.78
1261 35.35 24.98 26.78
1262 35.40 24.98 26.85

在此示例中，我仅适用dbscan()于温度值，不适用于经度/纬度，因此eps参数为0.1。由于它是网格数据集，所以任何点都被八个数据点包围，因此我认为至少有五个周围点应在可达距离之内。但是我不确定是否仅考虑温度值会得到正确的方法，也许然后我就缺少了空间信息。我应该如何处理经度和纬度数据？

尺寸为sst2：152243行x 3列“

我在这里共享此邮件，以防大家共享R和DBSCAN。再次感谢

这里的问题是- [R 。为了使DBSCAN有效，您需要具有适当的索引结构（需要与您的距离相匹配）。但是R并没有真正做索引。此外，fpc软件包是DBSCAN的简约实现，仅提供了其功能的一小部分。

至于距离功能，这是您需要“领域知识”的地方。如果您具有足够灵活的DBSCAN实现（确实很容易实现，使其比更快的索引就难得多！），您应该可以任意放置。您甚至可以设置两个距离函数和epsilon值：点必须最多相距，并且温度差必须小于$O(n^2)$$10 km$$1 K.$

查看“广义DBSCAN”以了解DBSCAN需要的一般原则：“邻居”概念和“核心点”（或“密度”）概念。