densiteitsgebaseerde

Densiteitsgebaseerde methoden zijn benaderingen in data-analyse die uitgaan van de lokale dichtheid van datapunten in de gegevensruimte. In tegenstelling tot methoden die vertrouwen op globale vormen of afstandsmetingen, richten densiteitsgebaseerde benaderingen zich op gebieden met hoge datapuntdichtheid om clusters, patronen of afwijkingen te identificeren. Ze worden toegepast in statistiek, machine learning en datawetenschap en omvatten zowel clustering als anomaliedetectie en dichtheidschatting.

Bij clustering beschouwt men doorgaans kernpunten: datapunten met minstens minPts buren binnen een straal eps. Deze kernpunten en hun bereikbare punten vormen samen een cluster; punten die niet tot een cluster behoren, worden als ruis aangemerkt. Bekende voorbeelden zijn DBSCAN (Density-Based Spatial Clustering of Applications with Noise), OPTICS en HDBSCAN. Densiteitsgebaseerde clustering kan clusters herkennen met onregelmatige vormen en vereist vaak geen vooraf vastgesteld aantal clusters, maar de resultaten zijn gevoelig voor de gekozen parameters zoals eps en minPts.

Toepassingen en overwegingen: densiteitsgebaseerde methoden worden toegepast in geospatiale analyse, beeld- en videoanalyse, biologie en financiële anomaliedetectie. Ze zijn robuust tegen ruis en vormen en kunnen data met verschillende dichtheden hanteren, maar kunnen minder efficiënt zijn bij hoge-dimensionale data en vereisen zorgvuldige parameterkeuze. Ten slotte verwijst densiteitsgebaseerd ook naar dichtheidschatting (kernel-dichtheidschatting, KDE), een statistische techniek om de kansdichtheidsfunctie van de data te schatten, wat descriptiever is dan clustering.