Perché si è scelto DBSCAN invece della classificazione per il compito di rilevamento delle anomalie?

DBSCAN è un algoritmo di clustering che è molto adatto per il rilevamento di anomalie, poiché non richiede dati etichettati in anticipo e può identificare cluster di forme arbitrarie, oltre a evidenziare il rumore (anomalie) come punti separati che non appartengono a nessun cluster.

A differenza della classificazione, che richiede un set di addestramento con etichette (normale/anomalo), DBSCAN funziona in modalità non supervisionata, il che è conveniente quando le anomalie sono rare e poco rappresentate nei dati. Inoltre, i classificatori possono funzionare male con classi sbilanciate, mentre DBSCAN rileva le anomalie come valori anomali, indipendentemente dalla distribuzione delle classi.

Esempio: se hai un insieme di punti con comportamento normale, saranno raggruppati in cluster densi, e punti rari e diversi saranno contrassegnati come rumore — questi punti sono considerati anomalie.