Warum wurde DBSCAN anstelle der Klassifikation für die Anomalieerkennung gewählt?

DBSCAN ist ein Clustering-Algorithmus, der sich gut zur Erkennung von Anomalien eignet, da er keine vorab gekennzeichneten Daten benötigt und Cluster beliebiger Form erkennen kann, sowie Rauschen (Anomalien) als separate Punkte hervorhebt, die keinem Cluster angehören.

Im Gegensatz zur Klassifikation, die einen Trainingssatz mit Labels (normal/anomale) erfordert, arbeitet DBSCAN im unüberwachten Modus, was praktisch ist, wenn Anomalien selten sind und in den Daten schlecht vertreten sind. Außerdem können Klassifikatoren bei unausgewogenen Klassen schlecht funktionieren, während DBSCAN Anomalien als Ausreißer erkennt, unabhängig von der Verteilung der Klassen.

Beispiel: Wenn Sie eine Menge von Punkten mit normalem Verhalten haben, werden sie in dichten Clustern gruppiert, und seltene, abweichende Punkte werden als Rauschen markiert — diese Punkte gelten als Anomalien.