Clustering DBSCAN

¿Qué es DBSCAN?

DBSCAN agrupa puntos densamente empaquetados y marca los de baja densidad como atípicos. No requiere especificar K y puede encontrar clusters de forma arbitraria.

Dos parámetros: épsilon (eps) — distancia máxima de vecindad; minSamples — puntos mínimos para región densa. Puntos: núcleo, borde o ruido.

Efectivo para densidades variables, formas no convexas y ruido significativo. Limitado cuando las densidades de clusters difieren mucho.

Formula: Punto núcleo: |N_eps(p)| ≥ minSamples Punto frontera: |N_eps(p)| < minSamples pero dentro de eps de un punto núcleo Ruido: ni núcleo ni frontera N_eps(p) = {q : dist(p,q) ≤ eps}

Ejemplo de cálculo

Puntos: (1,1), (1.1,1.2), (0.9,0.8), (5,5), (5.1,5.2), (4.9,4.8), (10,10). eps=1.0, minSamples=2. Cluster 1: 3 pts, Cluster 2: 3 pts, Ruido: (10,10).

Cuándo usar esta calculadora

• Un científico de datos que realiza detección de anomalías donde los valores atípicos deben identificarse explícitamente como puntos de ruido separados de los clústeres
• Un analista espacial que agrupa datos geográficos (p. ej., focos de delincuencia, ubicaciones de entrega) donde las formas de los clústeres son irregulares y el número de grupos es desconocido
• Un investigador que analiza datos con ruido natural donde forzar cada punto a un clúster (como hace K-Means) distorsionaría el análisis
• Un ingeniero que agrupa lecturas de sensores que forman patrones no esféricos (anillos, medias lunas, formas alargadas) que K-Means no puede detectar

Errores comunes a evitar

• Fijar un épsilon demasiado grande — esto fusiona clústeres distintos en uno; use el gráfico de k-distancias para encontrar el valor de eps apropiado en el codo de la curva
• Fijar un épsilon demasiado pequeño — esto clasifica la mayoría de los puntos como ruido y encuentra pocos o ningún clúster; si la mayor parte de sus datos se etiqueta como ruido, eps probablemente es demasiado pequeño
• No escalar las características antes de agrupar — DBSCAN usa la distancia euclidiana, por lo que las características de mayor escala dominan el cálculo de distancias; estandarice primero todas las características
• Usar DBSCAN cuando los clústeres tienen densidades muy diferentes — un único valor de eps no puede acomodar simultáneamente clústeres densos y dispersos; considere HDBSCAN u OPTICS en su lugar

Cómo interpretar los resultados

• Los puntos de ruido (etiquetados como atípicos) son puntos de datos en regiones de baja densidad — pueden representar anomalías genuinas, errores de medición o datos de transición entre clústeres
• El número de clústeres lo determinan automáticamente los datos y los parámetros, no se especifica de antemano — esta es una ventaja clave frente a K-Means
• Si el algoritmo encuentra solo un clúster o clasifica todo como ruido, intente ajustar eps y minSamples — los parámetros necesitan afinarse para corresponder a la estructura de densidad de sus datos

Normas y referencias relacionadas

• Ester, Kriegel, Sander & Xu (1996), 'A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise', Proc. KDD-96 — artículo original de DBSCAN
• Schubert, Sander, Ester, Kriegel & Xu (2017), 'DBSCAN Revisited, Revisited', ACM Transactions on Database Systems — orientación moderna sobre la selección de parámetros y la heurística de la distancia k

Preguntas frecuentes

¿Cómo elegir eps y minSamples?

minSamples: típicamente 2×dimensiones. eps: graficar distancia k-vecinos más cercanos, elegir la 'rodilla'.

¿Cuándo DBSCAN en vez de K-Means?

Cuando no se conoce K, formas irregulares o ruido significativo. K-Means es más rápido para clusters esféricos.