0 Density-Based Clustering

👍🏻 gd) 다양한 모양의 클러스터 발견 可
👍🏻 gd) 1 scan -> efficient
👍🏻 gd) nosie를 다룰 可
❓ why) 거리, 계층 기반의 클러스터링 방법들은 noise, outlier를 효과적으로 다룰 수 없다. 밀도 기반의 클러스터링 방법은 outlier를 다룰 수 있다.
🥲 pb) hyper-param. 설정

1. Hyper-parameters $\epsilon, MinPts$

• $\epsilon$ : 반경
  반경 내에서 이웃하는 점의 개수를 세게 된다.
• $MinPts$ : minimum number of points
  반경 내의 이웃이 MinPts 이상이면 high density를 가진다고 한다.
  

2. Type of Points: Core, Border, Outlier

1. Core points: 위의 식을 만족하는 데이터 포인트
2. Border points: 위의 식을 만족하지 않는, Core point의 neighbor
3. Outlier : noise, not core, not border

3. Directly Density-Reachable

if $p$ is a core point and $dist(p,q) \le \epsilon$ ,
$q$ is directly density-reachable.

4. Density-Reachable

1 DBSCAN

👍🏻 gd) 모양 多, 크기 多
👍🏻 gd) outlier 다룰 수
👍🏻 gd) 클러스터 개수가 자동적으로 정해진다.

🥲 pb) hyperparam

2 OPTICS

Ordering Points To Identify the Clustering Structure

☑️ what) $\epsilon$를 선택하기 위해 dendrogram과 같이 클러스터링 구조를 보여주는 시각화된 정보이다. 클러스터를 실제로 생성하는 것이 아니다.

• $core_dist(p)$
• $rechability-dist(o,p)$

how)algorithm