DBSCAN (Density-Based Spatial Clustering of Applications with Noise)
Ayrıca şöyle bilinir: DBSCAN Kümeleme, density-based clustering, density-based spatial clustering
DBSCAN, kümelerin bir merkez etrafındaki yuvarlak yığınlar olduğunu varsaymak yerine, kümeleri birbirine yakın paketlenmiş noktaların bulunduğu bağlı bir alan olarak düşünür. Noktaların yoğun olduğu yerlerde küme oluşur; noktaların seyrek ve izole olduğu yerlerde ise bir gruba zorlanmak yerine gürültü olarak kabul edilirler. Kümeler yoğun bölgeleri takip ederek büyüdüğü için herhangi bir kıvrımlı şekli alabilirler ve küme sayısının önceden belirlenmesi gerekmez.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+15 tane daha
Ne zaman kullanılır
Her noktayı bir kümeye zorlamak yerine gürültüyü ve aykırı değerleri tanımlar ve izole eder.
Güçlü yönler & sınırlılıklar
- Küme sayısının önceden belirtilmesini gerektirmez.
- Merkez tabanlı yöntemlerin zorlandığı gürültülü uzamsal verilerde etkilidir.
- Sonuçlar epsilon ve min_samples seçimine duyarlıdır.
- Tek bir epsilon, kümelerin yoğunlukları önemli ölçüde farklılaştığında zorlanır; HDBSCAN veya K-Means tercih edilebilir.
- Küçük örneklemlerde (yaklaşık 30'un altında) yoğunluk tahminleri güvenilmez hale gelir ve parametre ayarlaması anlamsızlaşır.
- Bir k-en yakın komşu mesafesi grafiğini incelemek yerine epsilon'u rastgele seçmek.
- Yoğunlukları büyük ölçüde farklılaşan kümelerin verilerine tek bir epsilon uygulamak.
SSS
Herhangi bir kümeye ait olmayan noktalara ne olur?
Seyrek bölgelerdeki noktalar gürültü olarak etiketlenir ve hiçbir kümeye atanmaz. Bu bir kusur değil, bir özelliktir: DBSCAN'ın aykırı değerleri emerek kümeleri bozmak yerine izole etmesini sağlar.
DBSCAN yerine ne zaman K-Means veya HDBSCAN'ı tercih etmeliyim?
Kümelerin yoğunlukları büyük ölçüde farklılaştığında, tek bir epsilon yetersizdir ve HDBSCAN veya K-Means daha iyi çalışabilir. Çok küçük örneklemlerde, yoğunluk tahminleri güvenilmez hale geldiği için K-Means gibi daha basit yöntemler de daha güvenlidir.
DBSCAN, küme sayısını önceden belirtmeyi gerektirir mi?
Hayır. K-Means'in aksine, yalnızca epsilon ve min_samples tarafından kontrol edilen verinin yoğunluk yapısından küme sayısını keşfeder.
DBSCAN'ı kendi veri kümenizde doğrudan MethodMind'da çalıştırın — sürekli özelliklerinizi yükleyin, epsilon ve min_samples'ı ayarlayın (bir k-en yakın komşu grafiği tarafından yönlendirilir) ve gürültü olarak işaretlenen noktalarla birlikte keşfedilen kümeleri elde edin.
Kaynaklar
- Ester, M., Kriegel, H.-P., Sander, J. & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of the 2nd KDD, 226–231. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). DBSCAN (Density-Based Spatial Clustering of Applications with Noise). ScholarGate. https://scholargate.app/tr/machine-learning/dbscan
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik KümelemeMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır