Co je to DBSCAN a jak pomáhá při hledání odlehlých hodnot?

DBSCAN (Hustotou základené prostorové shlukování s šumem) je algoritmus shlukování, který seskupuje datové body na základě hustoty. Vyhledává shluky jako oblasti s vysokou hustotou bodů a označuje body, které do žádného shluku nepatří, jako odlehlé hodnoty (šum).

Algoritmus používá dva hlavní parametry:

• eps — poloměr okolí bodu;
• minPts — minimální počet bodů v okolí eps pro vytvoření shluku.

Pokud bod v okolí eps má méně než minPts sousedů, je považován za odlehlou hodnotu. Tímto způsobem pomáhá DBSCAN automaticky odhalit odlehlé hodnoty, oddělením vzácných nebo izolovaných bodů od hustých skupin dat bez nutnosti předem určovat počet shluků.

Příklad použití v Pythonu s knihovnou scikit-learn:

from sklearn.cluster import DBSCAN
import numpy as np

X = np.array([[1, 2], [2, 2], [2, 3], [8, 7], [8, 8], [25, 80]])

clustering = DBSCAN(eps=3, min_samples=2).fit(X)
print(clustering.labels_)
# Výstup: štítky shluků, -1 označuje odlehlou hodnotu