DBSCAN 互動原理 (MathJax修正版)

🤔 一、DBSCAN 在做什麼？

一句話：把「擠在一起」的點連成一群，落單的當雜訊。

💡 白話定義（密度型分群）

想像一個廣場：人潮密集的地方自然形成一團一團，而在角落落單的零星幾個人，就是「雜訊」。DBSCAN 就是這樣——它不看「中心」，只看每個點周圍夠不夠密集，把密集區一塊塊連起來。

⭐ 三大強項（vs K-Means）

① 不必先決定 K（群數自己浮現）；② 能分出任意形狀的群（環形、月形也行，K-Means 只會切球狀）；③ 會自動標出雜訊／離群點，所以也常拿來做異常偵測。

🎯 二、三種點：核心、邊界、雜訊（最常考）

DBSCAN 先用兩個參數把每個點分成三類。

核心點 Core在半徑 ε 內，鄰居數 ≥ MinPts（含自己）。它是群聚的「種子」。

邊界點 Border自己鄰居不到 MinPts，但落在某個核心點的 ε 範圍內。是群的邊緣。

雜訊 Noise既不是核心、也不在任何核心點的鄰域內 → 視為離群值（Outlier）。

🎛️ 三、兩個關鍵參數：ε 與 MinPts

ε（Epsilon，鄰域半徑）「搜尋鄰居的圓圈」要畫多大。ε 太小→大家都變雜訊；太大→所有點併成一坨。

MinPts（最小點數）「要幾個鄰居才算核心點」。越大→越嚴格、雜訊越多；越小→越寬鬆。

📐 怎麼設？

MinPts 經驗上常取約 2 × 維度（2D 資料就用 4 左右）。ε 用 k-距離圖估：把每個點到「第 k 近鄰」的距離由小到大排序畫出來，找曲線的手肘轉折那個距離當 ε。兩個參數要一起調。

🎮 四、動手玩：看密度怎麼分群、抓雜訊

切換資料形狀、調 ε 與 MinPts。滑鼠移到任一點上，會畫出它的 ε 搜尋圈並高亮鄰居。

🗺️ 怎麼看（一定要試「同心圓 / 雙月形」）

點依群上色，灰色＝雜訊；大點＝核心、小點＝邊界。切到「同心圓」或「雙月形」——DBSCAN 能漂亮地分開這些怪形狀，而 K-Means 在這裡一定會分錯，這就是 DBSCAN 最大的亮點。再把 ε 調很小，看大家怎麼變成雜訊。

Epsilon ($\epsilon$) 搜尋半徑：30 搜尋鄰居的圓圈大小

MinPts 最小點數：4 成為核心點所需的鄰居數量

核心點 (Core)

邊界點 (Border)

雜訊 (Noise)

目前偵測到的群聚數量：0

比較	DBSCAN	K-Means
依據	密度（點擠不擠）	到中心的距離
要先定 K？	不用	要
群形狀	任意（環形、月形也行）	偏球狀、大小相近
雜訊／離群	自動標出（可做異常偵測）	沒有雜訊概念、對離群敏感
參數	ε、MinPts	K

🧪 七、觀念自我檢測

先想再點開。

Q1. DBSCAN 以什麼為基礎分群？

密度。用 ε（鄰域半徑）與 MinPts（成為核心點所需鄰居數）定義稠密區，把相連的稠密區連成一群，密度不足的點標為雜訊。

Q2. 核心點、邊界點、雜訊怎麼分？

核心點：ε 內鄰居 ≥ MinPts；邊界點：鄰居不足，但落在某核心點的 ε 內；雜訊：都不是 → 離群。

Q3. DBSCAN 比 K-Means 強在哪？

不需先定 K、能找任意形狀的群（環形/月形）、會自動標出雜訊與離群；K-Means 要 K、只找球狀、對離群敏感。

Q4. ε 怎麼估？DBSCAN 有什麼限制？

用 k-距離圖找手肘轉折估 ε（MinPts 約 2×維度）。限制：各群密度差異大時單一參數難適配（用 HDBSCAN）、高維失效。

✅ 八、30 秒重點整理

密度型分群把擠在一起的點連成群，落單的當雜訊。

三種點核心（鄰居≥MinPts）、邊界（在核心ε內）、雜訊（離群）。

兩參數ε（半徑）、MinPts（最小鄰居數），用 k-距離圖估 ε。

三大強項不需定 K、任意形狀、自動抓雜訊。

限制密度差異大吃力（HDBSCAN）、高維失效、要調參。

vs K-Means密度 vs 距離；環形/月形 DBSCAN 才分得開。

📝 iPAS 考點提醒

DBSCAN 是基於密度的分群法,iPAS 中級科目三考點。重點:把高密度區連成群、低密度點視為雜訊,不需先指定群數、能找任意形狀的群並自動偵測離群。易混點:與 K-means 差很多——K-means 需定 k、只找球狀、對離群敏感;DBSCAN 靠 eps(鄰域半徑)與 minPts 兩參數,對密度差異大的資料較吃力(可用 HDBSCAN)。情境:離群偵測、不規則形狀分群。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

DBSCAN 怎麼分群？

以密度為基礎：用 eps(鄰域半徑)與 minPts(成為核心點所需的鄰居數)定義稠密區，把相連的稠密區聚成一群，密度不足的點標為雜訊(離群)。

DBSCAN 比 K-means 好在哪？

不需事先指定群數、能找出任意形狀的群、能自動標出雜訊與離群點；K-means 需給 K 且假設群為球形。

eps 和 minPts 怎麼設？

minPts 經驗上常取約 2 倍維度；eps 可用 k-距離圖(把每點到第 k 近鄰的距離排序，找曲線的手肘轉折)來估，兩者需一起調。

DBSCAN 的限制？

當各群密度差異很大時，單一組 eps/minPts 難以同時適配(可改用 HDBSCAN)；高維時距離鑑別力下降也會變難。

哪些點會被當成雜訊？

既不是核心點、也不在任何核心點鄰域內的點；能自然處理離群值是 DBSCAN 的特色。

← 返回 AI 學習與考證地圖

DBSCAN：靠「密度」分群，還能自動抓出雜訊