Ce este DBSCAN și cum ajută la identificarea valorilor atipice?

DBSCAN (Clusterare spațială bazată pe densitate cu zgomot) este un algoritm de clusterizare care grupează puncte de date în funcție de densitate. El evidențiază clusterele ca zone cu densitate ridicată de puncte și marchează punctele care nu aparțin niciunui cluster ca valori aberante (zgomot).

Algoritmul utilizează doi parametri principali:

• eps — raza vecinătății punctului;
• minPts — numărul minim de puncte în vecinătatea eps pentru a forma un cluster.

Dacă un punct din vecinătatea eps are mai puțin de minPts vecini, este considerat o valoare aberantă. Astfel, DBSCAN ajută la detectarea valorilor aberante, separând automat punctele rare sau izolate de grupurile dense de date, fără a fi nevoie să se stabilească în prealabil numărul de clustere.

Exemplu de utilizare în Python cu biblioteca scikit-learn:

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_)
# Ieșire: etichete de clustere, -1 indică o valoare aberantă