Почему для задачи обнаружения аномалий выбрали DBSCAN, а не классификацию?

DBSCAN — это алгоритм кластеризации, который хорошо подходит для обнаружения аномалий, потому что он не требует заранее размеченных данных и может выявлять кластеры произвольной формы, а также выделять шум (аномалии) как отдельные точки, не принадлежащие ни одному кластеру.

В отличие от классификации, которая требует обучающей выборки с метками (нормально/аномально), DBSCAN работает в режиме без учителя, что удобно, когда аномалии редки и плохо представлены в данных. Кроме того, классификаторы могут плохо работать при несбалансированных классах, а DBSCAN выявляет аномалии как выбросы, не завися от распределения классов.

Пример: если у вас есть набор точек с нормальным поведением, они сгруппируются в плотные кластеры, а редкие, отличающиеся точки будут помечены как шум — именно эти точки и считаются аномалиями.