Автоматический выбор параметров DBSCAN с помощью дифференциальной эволюции

За последние несколько лет DBSCAN (Density-Based Spatial Clustering of Applications with Noise) получил широкое применение во многих областях науки благодаря своей простоте, устойчивости к шуму (выбросам) и способности обнаруживать кластеры произвольной формы. Однако алгоритм DBSCAN требует два начальных входных параметра, а именно Eps (радиус кластера) и MinPts (минимальное количество объектов данных, требуемых внутри кластера), которые оба существенно влияют на результаты кластеризации. Поэтому DBSCAN чувствителен к своим входным параметрам, и их трудно определить априори. В этой статье представлен эффективный гибридный метод кластеризации, названный BDE-DBSCAN, который сочетает бинарную дифференциальную эволюцию и алгоритм DBSCAN для одновременного, быстрого и автоматического определения подходящих значений параметров Eps и MinPts. Поскольку параметр Eps может существенно снижать эффективность алгоритма DBSCAN, также применяется сочетание аналитического подхода для оценки Eps и метода турнирного отбора (Tournament Selection, TS). Экспериментальные результаты показывают, что предложенный метод точно определяет подходящие входные параметры для алгоритма DBSCAN.