Waarom hebben ze voor de taak van anomaliedetectie gekozen voor DBSCAN in plaats van classificatie?

DBSCAN is een clustering-algoritme dat zeer geschikt is voor het detecteren van anomalieën, omdat het geen vooraf gelabelde gegevens vereist en clusters van willekeurige vormen kan identificeren, evenals ruis (anomalieën) als afzonderlijke punten die niet tot een cluster behoren.

In tegenstelling tot classificatie, die een trainingsset met labels (normaal/abnormaal) vereist, werkt DBSCAN in ongesuperviseerde modus, wat handig is wanneer anomalieën zeldzaam zijn en slecht vertegenwoordigd in de gegevens. Bovendien kunnen classifiers slecht presteren bij ongebalanceerde klassen, terwijl DBSCAN anomalieën detecteert als uitschieters, ongeacht de verdeling van de klassen.

Voorbeeld: als je een verzameling punten hebt met normaal gedrag, worden ze gegroepeerd in dichte clusters, en zeldzame, afwijkende punten worden gemarkeerd als ruis — deze punten worden als anomalieën beschouwd.