DBSCAN（Density-Based Spatial Clustering of Applications with Noise）は、密度ベースのクラスタリングアルゴリズムです。1996年にエスター・マーティン・クリーゲルらが提案し、現在もデータマイニングや異常検知の分野で広く使われています。基本的な考え方は「十分に近い点が一定数以上集まっている領域をクラスターとみなす」というものです。2つのパラメータを使います。ε（イプシロン）：近傍とみなす距離の半径MinPts：コア点とみなすために必要な近傍点の最小数各データ点は「コア点（Core Point）」「境界点（Border Point）」「ノイズ点（Noise Point）」のいずれかに分類され、コア点から到達可能な点をすべてひとつのクラスターにまとめます。k-meansなどの代表的なクラスタリング手法と比較した場合のDBSCANの強みは以下の通りです。クラスター数をあらかじめ指定する必要がない球形でない複雑な形状のクラスターも検出できる外れ値（ノイズ）を自動的に識別できる一方、高次元データや密度が大きく異なるクラスターが混在する場合は精度が下がる傾向があります。異常検知・地理情報データ解析・画像認識などで活用されています。

DBSCANとは？意味・定義をわかりやすく解説

DBSCANとは？

でぃーびーすきゃん

DBSCANとは、データの密度に基づいてクラスターを自動検出する機械学習のクラスタリングアルゴリズムで、外れ値の検出にも優れています。

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）は、密度ベースのクラスタリングアルゴリズムです。1996年にエスター・マーティン・クリーゲルらが提案し、現在もデータマイニングや異常検知の分野で広く使われています。

基本的な考え方は「十分に近い点が一定数以上集まっている領域をクラスターとみなす」というものです。2つのパラメータを使います。

ε（イプシロン）：近傍とみなす距離の半径
MinPts：コア点とみなすために必要な近傍点の最小数

各データ点は「コア点（Core Point）」「境界点（Border Point）」「ノイズ点（Noise Point）」のいずれかに分類され、コア点から到達可能な点をすべてひとつのクラスターにまとめます。

k-meansなどの代表的なクラスタリング手法と比較した場合のDBSCANの強みは以下の通りです。

クラスター数をあらかじめ指定する必要がない
球形でない複雑な形状のクラスターも検出できる
外れ値（ノイズ）を自動的に識別できる

一方、高次元データや密度が大きく異なるクラスターが混在する場合は精度が下がる傾向があります。異常検知・地理情報データ解析・画像認識などで活用されています。

DBSCANとは？

使い方・例文

この用語をシェア

関連用語