Pourquoi avoir choisi DBSCAN plutôt que la classification pour la tâche de détection d'anomalies?

DBSCAN est un algorithme de clustering qui est très adapté pour la détection d'anomalies, car il ne nécessite pas de données étiquetées à l'avance et peut identifier des clusters de formes arbitraires, ainsi que mettre en évidence le bruit (anomalies) comme des points séparés n'appartenant à aucun cluster.

Contrairement à la classification, qui nécessite un ensemble d'apprentissage avec des étiquettes (normal/anormal), DBSCAN fonctionne en mode non supervisé, ce qui est pratique lorsque les anomalies sont rares et mal représentées dans les données. De plus, les classificateurs peuvent mal fonctionner avec des classes déséquilibrées, tandis que DBSCAN détecte les anomalies comme des valeurs aberrantes, indépendamment de la distribution des classes.

Exemple : si vous avez un ensemble de points avec un comportement normal, ils seront regroupés en clusters denses, et les points rares et différents seront marqués comme du bruit — ces points sont considérés comme des anomalies.