Wat is DBSCAN en hoe helpt het bij het vinden van uitbijters?

DBSCAN (Dichtheid-gebaseerde Ruimtelijke Clustering van Toepassingen met Ruis) is een clusteringalgoritme dat datapunten groepeert op basis van dichtheid. Het identificeert clusters als gebieden met een hoge dichtheid van punten en markeert punten die niet tot een cluster behoren als uitschieters (ruis).

Het algoritme gebruikt twee hoofdparameters:

• eps — straal van de buurt van het punt;
• minPts — minimaal aantal punten in de eps-buurt om een cluster te vormen.

Als een punt in de eps-buurt minder dan minPts buren heeft, wordt het als een uitschieter beschouwd. Zo helpt DBSCAN bij het automatisch detecteren van uitschieters, door zeldzame of geïsoleerde punten te scheiden van dichte datagroepen zonder vooraf het aantal clusters te hoeven bepalen.

Voorbeeld van gebruik in Python met de scikit-learn bibliotheek:

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_)
# Uitvoer: clusterlabels, -1 betekent een uitschieter