เปรียบเทียบวิธี

	DBSCAN แบบกึ่งมีผู้สอน	การจัดกลุ่มแบบ K-means
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	1967 (formalized 1982)
ผู้ริเริ่ม	Ester, M. et al. (DBSCAN base); semi-supervised extensions by multiple authors (2000s–2010s)	MacQueen, J. B.; Lloyd, S. P.
ประเภท	Constrained density-based clustering	Partitional clustering
แหล่งต้นตำรับ	Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press.	Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.
ชื่อเรียกอื่น	Constrained DBSCAN, SS-DBSCAN, DBSCAN with must-link/cannot-link constraints, seeded DBSCAN	k-means clustering, Lloyd's algorithm, k-means partitioning, hard k-means
ที่เกี่ยวข้อง	5	4
สรุป	Semi-supervised DBSCAN extends the canonical density-based clustering algorithm (Ester et al., 1996) by incorporating a small set of pairwise or label constraints — must-link pairs that must share a cluster, cannot-link pairs that must be separated, or a handful of known labels — to guide cluster formation while retaining DBSCAN's ability to discover arbitrary-shaped clusters and flag noise points.	K-means is a classic unsupervised partitional clustering algorithm that divides a dataset into K non-overlapping groups by iteratively assigning each observation to its nearest centroid and updating centroids as the mean of their assigned points. It is one of the most widely used exploratory tools in machine learning and data analysis.