DBSCAN分群是什麼?可應用在什麼樣的場景?

介紹

DBSCAN是一種以密度為基礎的分群方法，判定鄰近資料點密度比較高的時候，就會視為同一群，透過這種方式可以自動將資料點進行分群，而不用像傳統的Kmean分群方法須要事先給定分群數目，DBSCAN的方法只要給定一些基本的參數，就可以將資料點分群完畢。另外還可辨別出在性質差異比較大的點，視為是單獨點。由於此種方法不但可進行分群以外，還可辨別性質差異較大的資料點，因此，可做後續的工程應用。

像是當我們取得量測資料時，有時候會因為量測手法的關係，存在正常量測的資料點與雜訊的資料點，正常量測的資料點就是我們要的資料點，而雜訊的資料點就不是正確的資料點。

我們將這組資料採用DBSCAN分群之後，密度高的資料點被分成同一群，然後就可以得到正常量測資料被分為不同群的結果，像是有分成群1，群2，群3等等的結果。那因為雜訊點，密度很稀疏，被視為單獨點，正好我們就可將單獨點視為是不正確的資料點予以濾除。

另外的應用情境，是在量測設備上，可量測某個物理量，這個物理量會隨時間變化，也就是得到一個時間序列資料，有可能會因為機台量測問題，造成量測結果有雜訊產生。

我們可採用DBSCAN方法，將雜訊視為是單獨點予以排除。

最終就可得到正確的量測結果。

結論

透過DBSCAN的方法雖然它本身是一種分群方法，但因為有辨別單獨點的特性，因此，也可將此方法應用在濾除雜訊上面。

[相似文章]:

1.分群演算法(cluster analysis)

[類神經網路基礎系列專文]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？

4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索

5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理

6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握

7.類神經網路—前向傳播法

8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

9.類神經網路—反向傳播法(二): 淺談梯度

10.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

11.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

12.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

13.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[機器學習基礎系列專文]:

1.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

2.機器學習面臨的問題種類介紹:回歸與分類

[類神經網路延伸介紹]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

[ChatGPT系列專文]:

1.淺談最近非常火紅的ChatGPT背後可能原理機制為何?

2.從ChatGPT探索GPT的原理概念:少量數據的解方—遷移學習技巧