🔑 名詞卡
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）
🎯 定義
一種基於密度的分群演算法，能辨識任意形狀的群集，並自動將噪聲點（離群值）從群集中分離出來。
重點／應用
- 兩個關鍵參數：Eps（鄰域半徑）、MinPts（形成核心群集所需的最小點數）。
- 核心點：若鄰域內點數 ≥ MinPts，即為核心點，並遞歸將密度可達的點納入同一群集。
- 優點：無需預先指定群集數量、可辨識任意形狀群集、能標記噪聲點。
- 缺點：對 Eps/MinPts 參數高度敏感、密度不均勻的資料表現不佳、高維資料的「密度」定義困難。
記憶技巧
「DBSCAN 看密度決定要不要成群，稀疏的地方就是噪聲」。
易混淆
- vs K-Means：K-Means 需預先指定 K 值、只能形成球形群集；DBSCAN 不需指定群數、可辨識任意形狀並識別噪聲。
📖 課文原文「DBSCAN 能夠辨識任意形狀的群集，並且能自動將噪聲點（離群值）從群集中分離出來。」