DBSCAN 互動圖解

⚡ 一、30 秒快速回顧

DBSCAN ＝「基於密度的空間分群」：不必先說有幾群，只看「點密不密」。

三種點（這頁 demo 的顏色）

核心點 Core：在 ε 半徑內鄰居 ≥ MinPts（含自己）。
邊界點 Border：自己鄰居不足，但落在某核心點的 ε 範圍內（demo 用半透明）。
雜訊 Noise：都不是 → 孤獨的離群值（demo 用灰色）。

🎮 三、動手玩：拉滑桿，看群數與雜訊即時變

把滑鼠移到畫布上會看到當前 ε 的探測圈；點畫布可手動加點。一邊拉滑桿一邊看右下角的「群集數」「雜訊數」。

Epsilon (ε) 掃描半徑 40

以每個點為圓心，畫出多大的圓來尋找鄰居。

MinPts 最小點數 4

在半徑 (ε) 內至少要包含幾個點，才能形成一個「核心群集」。

即時運算結果：

發現群集數量：0

雜訊點 (Noise)：0

💡 滑鼠移到畫布看 ε 探測圈；點擊畫布可手動新增資料點。

核心 Core

邊界 Border

雜訊 Noise

📊 四、參數效應：這頁的重點

記住下面這張表，調參數就不會瞎猜。邊看表、邊在上面 demo 驗證。

調整	會發生什麼
ε 調大 ↑	探測圈變大 → 更容易找到鄰居 → 群容易合併成一大坨、雜訊變少。
ε 調小 ↓	探測圈變小 → 不容易找到鄰居 → 群容易分裂、雜訊變多。
MinPts 調大 ↑	成為核心點更嚴格 → 邊緣稍稀疏的點被判為雜訊 → 群更緊湊、雜訊變多。
MinPts 調小 ↓	標準變寬鬆 → 更多點達標 → 雜訊變少、群可能變大或變多。

🧠 一句話

ε 管「圈多大」、MinPts 管「要多少人」。兩個都「放寬」(ε 大、MinPts 小) → 雜訊少、群大；兩個都「收緊」 → 雜訊多、群碎。實務上常一起調、互相搭配。

📐 五、ε 到底要設多少？k-距離圖

💪 k-距離圖（最常用的估法）

把每個點到「第 k 近鄰」的距離由小到大排序、畫成曲線。大多數點的距離都差不多（曲線平緩），但到了某處會急速上揚（那些是雜訊/邊緣點）——那個手肘轉折的距離，就是不錯的 ε 起點，再用上面 demo 微調看雜訊比例。MinPts 經驗上常取約 2 × 維度（2D 用 4 左右）。

🧪 七、觀念自我檢測

先想再點開。

Q1. ε 調大，群數和雜訊會怎麼變？

探測圈變大、更容易找到鄰居 → 群容易合併（群數可能變少）、雜訊變少。

Q2. MinPts 調大，會怎麼樣？

成為核心點的標準變嚴 → 邊緣稀疏的點被判為雜訊 → 群更緊湊、雜訊變多。

Q3. 三種點怎麼分？

核心：ε 內鄰居 ≥ MinPts；邊界：自己不足但在某核心的 ε 內；雜訊：都不是。

Q4. ε 怎麼估？

用 k-距離圖找手肘轉折當 ε（MinPts 約 2×維度），再微調看雜訊比例。

✅ 八、30 秒重點整理

兩參數：ε 與 MinPtsε 管圈多大、MinPts 管要幾個鄰居。

ε 大 → 群合併、雜訊少ε 小 → 群分裂、雜訊多。

MinPts 大 → 雜訊多、群緊湊MinPts 小 → 雜訊少。

三種點核心、邊界、雜訊。

ε 用 k-距離圖估找手肘轉折，再微調。

密度差異大 → HDBSCAN對參數敏感、高維失效。

📝 iPAS 考點提醒

DBSCAN 是基於密度的分群法,iPAS 非監督學習考點(中級科目三)。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。易混點:與 K-means 不同——K-means 需先定 k、只找球狀群、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。情境:離群偵測、任意形狀分群。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

DBSCAN 是什麼？

基於密度的聚類法；把高密度區域連成群、低密度點視為雜訊，不需事先指定群數、能找任意形狀的群。

兩個關鍵參數是什麼？

eps(鄰域半徑)與 minPts(成為核心點所需的最少鄰居數)；兩者決定何謂密集，影響分群結果。

DBSCAN 比 K-means 好在哪？

能找任意形狀的群、自動偵測離群(雜訊)、不必先定群數；K-means 只適合球狀且需指定 k。

DBSCAN 的弱點？

對 eps 與 minPts 敏感、難處理密度差異大的資料、高維時距離失效；此時可考慮 HDBSCAN。

怎麼挑 eps？

常用 k-距離圖：把每點到第 k 近鄰的距離排序畫出，找曲線手肘轉折處作為 eps，再微調看雜訊比例。

← 返回 AI 學習與考證地圖

DBSCAN 參數實驗室：ε 和 MinPts 怎麼改變分群？