Citation Hunt

"

Beim Density Linkage wird für jedes Objekt ein Dichtewert geschätzt. Zur Berechnung wird eines der üblichen Distanzmaße, z. B. euklidischer Abstand, Manhattan-Distanz, zwischen den Objekten benutzt. Auf Basis der Dichtewerte zweier Objekte wird dann eine neue Distanz ${\displaystyle d(i,j)}$ zwischen ihnen berechnet. Diese hängen auch von der Umgebung der Objekte ${\displaystyle i}$ und ${\displaystyle j}$ ab. Für das agglomerative Clustering kann dann eine der vorhergehenden Fusionierungsmethoden verwendet werden.

1. Lege den Radius ${\displaystyle r}$ fest
2. Schätze die Dichte ${\displaystyle {\hat {f}}(i)}$ als den Anteil der Beobachtungen, die eine Entfernung kleiner gleich ${\displaystyle r}$ vom Objekt ${\displaystyle i}$ haben
3. Berechne die Distanz zwischen Objekt ${\displaystyle i}$ und ${\displaystyle j}$ als

1. Lege die Anzahl der Nachbarn ${\displaystyle k}$ fest
2. Berechne die Distanz ${\displaystyle r_{k}(i)}$ zum ${\displaystyle k}$ nächsten Nachbarn des Objektes ${\displaystyle i}$
3. Schätze die Dichte ${\displaystyle {\hat {f}}(i)}$ als den Anteil der Beobachtungen, die eine Entfernung kleiner gleich ${\displaystyle r_{k}(i)}$ vom Objekt ${\displaystyle i}$ haben, dividiert durch das Volumen der Sphäre mit dem Radius ${\displaystyle r_{k}(i)}$
4. Berechne die Distanz zwischen den Objekten ${\displaystyle i}$ und ${\displaystyle j}$ als

1. Führe zunächst ein k-means Clustering durch und betrachte nur die ${\displaystyle k}$ Cluster-Schwerpunkt ${\displaystyle {\bar {x}}_{i}}$
2. Berechne für jeden Cluster die totale Varianz ${\displaystyle w_{i}}$
3. Berechne die Distanz zwischen Cluster-Schwerpunkten ${\displaystyle i}$ und ${\displaystyle j}$ als

Ein Problem der Density linkage Algorithmen ist die Festlegung der Parameter.

Die Algorithmen OPTICS und HDBSCAN* (eine hierarchische Variante von DBSCAN clustering) können ebenfalls als hierarchisches Density Linkage clustering interpretiert werden.