AITerms 登入
機器學習異常偵測

密度分群(Density-Based Spatial Clustering)是什麼?

密度分群是一種基於資料分布密度的分群方法,它能找出任意形狀的群集,並自動識別出噪訊

同主題的術語機器學習

完整定義

密度分群是一種非監督式機器學習演算法,用於識別資料集中基於密度的簇。它將簇定義為由高密度區域分隔的稠密相連點的集合。與傳統分群方法不同,密度分群不需要預先指定簇的數量,並且能夠有效地識別任意形狀的簇和雜訊點。常見的密度分群演算法包括 DBSCAN 和 OPTICS。

白話說明

你看地圖上的店家聚集區,怎麼把密集的人群和落單點分開?

你可以把 密度分群 想成一種看群聚密度的分組方法。

它其實就是先找人多又連得上的地方,再把邊緣和離群點分開。

密度分群是一種基於資料分布密度的分群方法,它能找出任意形狀的群集,並自動識別出噪訊。當群集形狀不規則,或你不想先指定群數時,這類方法很實用。

記住這句

看密度,不看固定群數

比喻:密度分群就像在夜空中找星座 -- 它會把那些星星比較密集的地方連起來形成一個星座(群集),而那些零散、獨自發光的星星就被當成「雜訊」忽略掉。

容易混淆

vs K-Means

K-Means 像把人群分成固定數量的圓形組,很難處理不規則形狀的群體;密度分群則能像偵探一樣,找出各種形狀的「人群聚集地」,還能區分出落單的人。

實際案例

案例一:密度分群 分析商圈資料

店家如果沿著捷運站周圍自然聚成幾團,密度分群就能找出這些區塊,還能把孤立點視為噪訊。

案例二:密度分群 找異常點

在感測資料裡,如果某些點周圍很稀疏,它們可能不是群的一員,而是離群值。

深入了解

密度分群會看某個區域周圍有多少點,而不是看你先指定幾群

它特別適合不規則形狀、含噪聲、或你根本不知道群數的情況

如果資料密度差很多,參數設定就要更小心

情境判斷

Q1(直覺題): 你不知道資料要分幾群,但想找出自然聚在一起的點,適合用什麼思路?

看密度的分群方法通常很合適,因為它不必先指定群數。

Q2(判斷題): 如果資料密度差很多,密度分群是不是一定很容易做?

不一定,因為參數對密度和尺度很敏感,密度分布不均時常要更仔細調參或改用更適合的方法。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 5 題把密度分群列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本