Densitetsbaserad

Densitetsbaserad refererar till metoder som bygger på att identifiera strukturer i data utifrån lokala täthetsmönster. Dessa metoder söker regioner där datapunkter är tätt samman och separerar dem från områden där tätheten är låg. Grundidén är att kluster motsvarar högt tätade zoner, medan brus och outliers uppträder som punkter utanför dessa zoner. Denna ansats är särskilt bra för data som bildar oregelbundna eller icke-sferiska kluster och som annars är svåra att fånga med avståndsbaserade metoder.

Inom klustring är den mest kända representanten DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Den definierar ett närhetsområde runt varje punkt (epsilon) och kräver minst minPts punkter där för att en kärnpunkt ska bilda en tät region. Punkter inom epsilon från en kärnpunkt räknas som del av klustret om de är nåbara, medan punkter som inte uppfyller kravet anses brus. Andra algoritmer som OPTICS och HDBSCAN bygger vidare på samma principer men erbjuder olika sätt att hantera variation i densitet eller att extrahera stabila kluster.

Fördelar inkluderar förmågan att hitta kluster av varierande form och att hantera brus utan att specificera antalet kluster i förväg. Begränsningar innefattar känslighet för val av parametrar (t.ex. epsilon och minPts), särskilt vid varierande densitet och i högdimensionell data där avståndsegenskaperna försämras. Typiska tillämpningar finns inom dataanalys, geospatial analys, mönsterigenkänning och bildsegmentering.