dbscan如何评价 SIGMOD 2015 最佳论文《DBSCAN Revisited》

请问这三个机构是什么DBS、BVP、HBOS，分别是做什么的，哪个国家的?

1.DBS:星展集团控股有限公司为星展银行的控股公司，以其市场资本额计算，属於新加坡证券交易所最大的上市公司之一。

截止於2006年12月31日，星展集团控股有限公司及其附属公司拥有1百87亿新元 (1百22亿美元) 股东资金和1千9百74亿新元 (1千2百90亿美元)资产总值，是该地区最大的银行集团之一。

星展银行也是香港领先的银行之一。

2.BVP:BVP是美国历史最久的创业投资公司之一，拥有90多年的历史，近15年来已帮助100多家所投资公司在美国上市，在硅谷、波士顿、纽约及上海等设立了办事处。

童士豪于2005初年加入BVP成为中国代表，协助发展BVP在中国的投资计划。

目前在中国投资了中国博客网以及弘成教育(ChinaEdu)两家公司，另外，与华为在上海合作辐技威信息技术有限公司(FG Wireless)。

3.HBOS:哈里法克斯银行是隶属于苏格兰银行集团的英国最大的金融保险和抵押贷款银行（简称HBOS），该银行的绝大多数业务都属于免税的金融业务。

如今的哈里法克斯作为英国最大的金融服务商之一，已经成英国人民家喻户晓的商标。

哈里法克斯提供广泛的个人金融服务业务，其中包括：长期存款、房屋、启动车保险，以及信用卡业务。

spark中有dbscan算法吗

看清楚dbscan算法中有两个关键的参数是 EPS, and Min group threshold. 直观的想法是，如果你的eps很大，min-group-threshold 也很大的时候，那你得到的聚类的类数目就会少很多，那你搜索的时候就可能很快收敛。

DBSCAN与kmeans，OPTICS区别？

DBSCAN和Kmeans的区别： 1)K均值和DBSCAN都是将每个对象指派到单个簇的划分聚类算法，但是K均值一般聚类所有对象，而DBSCAN丢弃被它识别为噪声的对象。

2)K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。

3)K均值很难处理非球形的簇和不同大小的簇。

DBSCAN可以处理不同大小或形状的簇，并且不太受噪声和离群点的影响。

当簇具有很不相同的密度时，两种算法的性能都很差。

4)K均值只能用于具有明确定义的质心（比如均值或中位数）的数据。

DBSCAN要求密度定义（基于传统的欧几里得密度概念）对于数据是有意义的。

5)K均值可以用于稀疏的高维数据，如文档数据。

DBSCAN通常在这类数据上的性能很差，因为对于高维数据，传统的欧几里得密度定义不能很好处理它们。

6)K均值和DBSCAN的最初版本都是针对欧几里得数据设计的，但是它们都被扩展，以便处理其他类型的数据。

7)基本K均值算法等价于一种统计聚类方法（混合模型），假定所有的簇都来自球形高斯分布，具有不同的均值，但具有相同的协方差矩阵。

DBSCAN不对数据的分布做任何假定。

8)K均值DBSCAN和都寻找使用所有属性的簇，即它们都不寻找可能只涉及某个属性子集的簇。

9)K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇。

10)K均值算法的时间复杂度是O(m)，而DBSCAN的时间复杂度是O(m^2)，除非用于诸如低维欧几里得数据这样的特殊情况。

11)DBSCAN多次运行产生相同的结果，而K均值通常使用随机初始化质心，不会产生相同的结果。

12)DBSCAN自动地确定簇个数，对于K均值，簇个数需要作为参数指定。

然而，DBSCAN必须指定另外两个参数：Eps（邻域半径）和MinPts（最少点数）。

13)K均值聚类可以看作优化问题，即最小化每个点到最近质心的误差平方和，并且可以看作一种统计聚类（混合模型）的特例。

DBSCAN不基于任何形式化模型。

DBSCAN与OPTICS的区别： DBSCAN算法，有两个初始参数E（邻域半径）和minPts(E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。

为了克服DBSCAN算法这一缺点，提出了OPTICS算法（Ordering Points to identify the clustering structure）。

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。

电脑搜索文档或文件夹时出现FATAL ERROR窗口，内容是DBS CAS4，这是什么意思?谢谢

FATAL ERROR：（致命错误） DBS CAS4：（数据库错误） 原因是因为你调用的程序访问或者是返回数据错误，你查看下是不是改变了你的系统参数环境，如果不行的话，可以下载修复软件对系统进行修复。

如何评价 SIGMOD 2015 最佳论文《DBSCAN Revisited》

看清楚dbscan算法中有两个关键的参数是 EPS, and Min group threshold. 直观的想法是，如果你的eps很大，min-group-threshold 也很大的时候，那你得到的聚类的类数目就会少很多，那你搜索的时候就可能很快收敛。

反之，你就要不断去search，这样的话，你的复杂度就上来了的。

很可能变成了n^2. 所以说，average 的复杂度在 有spatial index的帮助下，是n logn 是可以站的住脚的。

就我自己的感受来看，聚类算法的running time performance 取决于你的数据分布，聚类参数，以及你是否使用了spatial index. 我就是楼主说的哪一类发现dbscan 很慢而没有去研究为什么的人。

其实你如果比较了多种聚类算法的时候，你会发现，其实后面的birch这个算法就比dbscan+r-tree index 快不少的。

但是dbscan的结果比较直观。

追踪根源，dbscan算法其实只是很早之前一个图像处理的算法里面的改进的。

但是不妨碍dbscan算法得到大量的应用。

为什么啊？因为简单啊，因为直观啊。

yufei tao 是厉害的，人家可以改论文可以到吐血。

我用过他的一个算法，建index的过程就花了一天，几十个G的空间，这还只是针对小数据。

他这个工作后来也被别人反复批判，反复作为baseline。

所以学术研究都是互相critical的！！ 最后补个八卦，今天和组里面的大牛们讨论，今年的sigmod best paper，他们都表示很吃惊的。

都说没看mit 怎么讨论的。

前年 yufei tao 他们组的 triangle count 的论文，拿了best paper 还可以说说。

今年真没看懂。