Как алгоритм DBSCAN помогает обнаруживать кластеры в пространственных данных?

Алгоритм DBSCAN помогает обнаруживать кластеры в пространственных данных, основываясь на плотности точек. 12 В отличие от других методов, которые требуют предварительного задания количества кластеров, DBSCAN автоматически определяет их число, ориентируясь на локальные характеристики плотности данных. 1

Основная идея алгоритма: точки, окружённые областями высокой плотности, объединяются в один кластер. 1 При этом выделяются следующие типы точек: 1

• Core points (ключевые точки). 1 В их окрестности находится минимальное количество соседних точек на расстоянии не более ε (эпсилон). 1
• Border points (граничные точки). 1 Находятся на границе кластера, имея меньше minPts соседей в радиусе ε, но при этом достижимы из ключевых точек. 1
• Noise points (шумовые точки). 1 Изолированные точки, не подходящие под определение ключевых или граничных. 1

DBSCAN способен находить кластеры произвольной формы. 1 В отличие от K-means, который ищет сферические структуры, DBSCAN может выявлять кластеры сложной конфигурации, следуя за областями повышенной плотности точек. 1

Также алгоритм естественным образом идентифицирует и отсеивает шумовые точки, что полезно для реальных данных с ошибками измерений. 1