OPTICS (1999) OPTICS( Ordering points To ldentify the在前面介绍的 DBSCAN算 法中,有两个初始参数ε(邻域半径)和mnPs(邻域最小点数需要用户 手动设置输入,并且聚类的类簇结果对这两个参数的取值非常敏感,不同 的取值将产生不同的聚类结果,其实这也是大多数其他需要初始化参数聚 类算法的弊端。 Clustering Structure) Ankerst, Breunig, Kriegel,和 Sander提出( SIGMOD99) 为自动和交互的聚类分析计算一个簇次序( cluster ordering) OPTICS并不显示的产生结果类簇,而是为聚类分析生成一个增广的簇 排序(比如,以可达距离为纵轴,样本点输出次序为横轴的坐标图), 这个排序代表了各样本点基于密度的聚类结构。它包含的信息等价于从 个广泛的参数设置所获得的基于密度的聚类,换句话说,从这个排序 中可以得到基于任何参数E和 minPts的 DBSCAN算法的聚类结果。 1717 OPTICS (1999) ◼ OPTICS(Ordering Points To Identify the在前面介绍的DBSCAN算 法中，有两个初始参数（邻域半径）和minPts(邻域最小点数)需要用户 手动设置输入，并且聚类的类簇结果对这两个参数的取值非常敏感，不同 的取值将产生不同的聚类结果，其实这也是大多数其他需要初始化参数聚 类算法的弊端。 ◼ Clustering Structure) ◼ Ankerst, Breunig, Kriegel, 和 Sander 提出(SIGMOD’99) ◼ 为自动和交互的聚类分析计算一个簇次序(cluster ordering ). ◼ OPTICS并不显示的产生结果类簇，而是为聚类分析生成一个增广的簇 排序（比如，以可达距离为纵轴，样本点输出次序为横轴的坐标图）， 这个排序代表了各样本点基于密度的聚类结构。它包含的信息等价于从 一个广泛的参数设置所获得的基于密度的聚类，换句话说，从这个排序 中可以得到基于任何参数E和minPts的DBSCAN算法的聚类结果