应用基于密度的聚类 (DBSCAN)数据点和关于-功能，我达到了预期的效果。
但是，将其缩放到百万数据点需要创造性的高效实施，因为 DBSCAN 需要计算距离矩阵并粉碎我的记忆。
必须有一些有效的基于采样的方法来克服这个问题，理想情况下类似于 minHash - 但我不确定如何解决这个问题，以及是否存在可以在现有 sklearn DBSCAN 算法上工作的解决方案。有任何想法吗？
扩展 DBSCAN 集群 - minHash？
数据挖掘
机器学习
聚类
可扩展性
数据库扫描
2022-03-02 10:00:13
1个回答
DBSCAN 是邻域搜索成本的 O(n) 倍。
如果您使用像 LSH 这样的索引可以在 O(1) 中回答邻域搜索（假设数据分布非常均匀，每个点有 O(1) 个邻居），那么 DBSCAN 可以在 O(n) 加上构建此类所需的时间一个索引。
是的，如果 minHash 索引适合您的数据和距离，则可以使用它们。
其它你可能感兴趣的问题