想像你要評估兩個社團（群集）的凝聚力。DBCV 不看社團成員是不是排成一個完美的圓圈，而是看他們「手牽手」的緊密程度。它主要比較兩個極端值：
評分邏輯： 如果「社團之間的最短距離 (Separation)」大於「社團內部最鬆散的距離 (Sparseness)」，代表群集分得很好！
點擊下方按鈕，一步步觀察 DBCV 是如何找出關鍵距離的。
DBCV 是針對密度式分群(如 DBSCAN)的內部評估指標,iPAS 分群評估進階考點(中級科目三)。重點:傳統輪廓係數假設球狀凸群,對 DBSCAN 找出的任意形狀群不公平;DBCV 以密度為基礎衡量群內密集與群間稀疏,更適合密度分群。易混點:不同分群法要配適合的評估指標,別一律用輪廓係數。情境:評估 DBSCAN、HDBSCAN 等密度分群的品質。
想練情境題與詳解 → AI 學習與考證地圖
Density-Based Clustering Validation，專為密度型分群(如 DBSCAN)設計的內部評估指標，衡量分群品質而不假設群是球形。
輪廓係數假設群較凸、且不處理雜訊點；DBSCAN 會產生任意形狀的群與離群點，用輪廓易失準，DBCV 較合適。
基於密度——比較群內的密度連結與群間的密度分離，值越高越好；比輪廓係數更適合 DBSCAN 等密度型分群。
能；DBCV 為密度分群設計，能在有雜訊或離群點與非凸群的情況下給較合理的評估。
當你用 DBSCAN、HDBSCAN 等密度法、且群形狀不規則或有雜訊時；K-means 類球形分群仍可用 SSE 或輪廓。