DBSCAN
DBSCAN은 밀집 지역의 점을 연결해 군집을 만들고 밀도가 낮은 점은 잡음으로 분류한다 밀도 기반 군집화 분야에서 이 문제를 해결하기 위한 계산 모델을 제공하며, 실제 구현에서는 상태를 표현하는 방법과 단계별 조건을 정의해야 한다. 알고리즘의 목표, 최적성 또는 오차의 보장 여부는 사...
| 분류 | 알고리즘 · 밀도 기반 군집화 |
|---|---|
| 해결 문제 | 밀집 지역의 점을 연결해 군집을 만들고 밀도가 낮은 점은 잡음으로 분류한다 |
| 핵심 절차 | 반경 eps 안에 min_samples 이상의 점이 있으면 핵심점으로 정의한다 |
| 연산·성능 | 공간 인덱스가 유리하면 평균 O(n log n) 정도, 최악 O(n²) 가능 |
| 사용 전제 | 거리 척도·eps·최소 이웃 수와 데이터 스케일이 적절해야 한다 |
| 참고 자료 | 관련 기술 문서 |
| 관련 기술 | 알고리즘, 계산 복잡도 |
DBSCAN은 밀집 지역의 점을 연결해 군집을 만들고 밀도가 낮은 점은 잡음으로 분류한다 밀도 기반 군집화 분야에서 이 문제를 해결하기 위한 계산 모델을 제공하며, 실제 구현에서는 상태를 표현하는 방법과 단계별 조건을 정의해야 한다. 알고리즘의 목표, 최적성 또는 오차의 보장 여부는 사용하는 계산 모델에 따라 해석한다.[1]
동작 방식은 반경 eps 안에 min_samples 이상의 점이 있으면 핵심점으로 정의한다. 핵심점과 밀도 도달 가능한 점을 확장하여 군집을 구성하며 경계점과 잡음점을 구별한다. 각 처리 단계에서 상태·값·데이터 구조의 의미가 유지되도록 구현하고, 알고리즘의 종료 또는 수렴을 판정하는 조건을 함께 둔다.
복잡도 및 실행 조건은 공간 인덱스가 유리하면 평균 O(n log n) 정도, 최악 O(n²) 가능 올바른 활용에는 거리 척도·eps·최소 이웃 수와 데이터 스케일이 적절해야 한다 입력의 크기, 데이터 분포와 처리 환경이 달라질 때 성능 또는 결과가 어떻게 달라지는지도 중요한 평가 대상이다.
구체적인 적용을 보면 불규칙한 모양의 군집과 이상값 탐지에 유용하다. k-평균 알고리즘과 달리 군집 수를 미리 지정하지 않는다. 다른 방법과 비교할 때 계산 비용, 결과의 정확성, 입력 전제 및 구현 복잡성에 따라 적절한 기법을 선택하게 된다. 원래 모델의 전제가 성립하는지를 확인하면 실용적인 코드 구현과 이론 분석을 연결할 수 있다.[2]