Qual é a principal diferença entre DBSCAN e K-Means?

DBSCAN e K-Means são algoritmos de agrupamento, mas diferem fundamentalmente na abordagem e na aplicabilidade.

• K-Means requer que o número de clusters (k) seja definido previamente. Ele tenta minimizar a soma dos quadrados das distâncias dos pontos aos centros dos clusters. Funciona melhor quando os clusters têm uma forma aproximadamente esférica e tamanho semelhante.

• DBSCAN não requer que o número de clusters seja definido previamente. Agrupa com base na densidade de pontos: os clusters são áreas com alta densidade de pontos, separadas por áreas de baixa densidade. O DBSCAN funciona bem com clusters de formas arbitrárias e pode identificar ruído (outliers).

Diferença chave:

• K-Means busca clusters de tamanho fixo, otimizando seus centros.
• DBSCAN identifica clusters por densidade, determinando automaticamente sua quantidade e separando o ruído.