DBSCAN
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) ist ein unüberwachter Clustering-Algorithmus, der dicht beieinanderliegende Punkte zu Gruppen zusammenfasst und isolierte Punkte als Rauschen kennzeichnet. Er eignet sich besonders zur Erkennung von Clustern beliebiger Form, ohne dass die Anzahl der Cluster vorab festgelegt werden muss.
Überblick
DBSCAN ist ein dichtebasierter Clustering-Algorithmus, der 1996 von Martin Ester und Kollegen eingeführt wurde. Im Gegensatz zu partitionierenden Verfahren wie k-means definiert DBSCAN Cluster als zusammenhängende Regionen hoher Punktdichte, die durch Bereiche geringerer Dichte voneinander getrennt sind. Der Algorithmus benötigt zwei Parameter: Epsilon (eps), den maximalen Abstand zwischen zwei Punkten, damit diese als Nachbarn gelten, sowie minPts, die Mindestanzahl von Punkten, die zur Bildung einer dichten Region erforderlich ist.
Funktionsweise des Algorithmus
DBSCAN klassifiziert jeden Punkt als Kernpunkt, Randpunkt oder Rauschpunkt. Ein Kernpunkt besitzt mindestens minPts Nachbarn innerhalb seiner eps-Nachbarschaft. Ein Randpunkt liegt zwar innerhalb der eps-Nachbarschaft eines Kernpunkts, erfüllt aber selbst nicht den minPts-Schwellenwert. Ein Rauschpunkt ist weder Kern- noch Randpunkt. Der Algorithmus erweitert Cluster iterativ ausgehend von Kernpunkten, indem er deren eps-Nachbarn besucht und rekursiv jeden neu entdeckten Kernpunkt einbezieht, wodurch Cluster beliebiger Form entstehen.
Räumliche Anwendungen
Im GISGISGeographic Information Systems (GIS) enable users to analyze and visualize spatial data to uncover patterns, relation... wird DBSCAN eingesetzt, um geografische Cluster in Punktdatensätzen zu identifizieren, etwa bei Kriminalitätsvorfällen, GPSGPSThe Global Positioning System (GPS) is a satellite-based navigation system operated by the U.S. Space Force that prov...-Trajektorien, Tiersichtungen und Social-Media-Check-ins. Stadtplaner nutzen den Algorithmus, um Aktivitätszentren aus Mobilfunkdaten zu erkennen, während Umweltwissenschaftler Schadstoffmessungen clustern, um kontaminierte Zonen abzugrenzen. Einzelhandelsanalysten gruppieren Kundenstandorte, um Kernbereiche von Einzugsgebieten zu identifizieren, und Verkehrsplaner erkennen Staupunkte anhand von Fahrzeug-Probedaten.
Stärken und Grenzen
DBSCAN benötigt keine Vorabkenntnis über die Anzahl der Cluster und geht von Natur aus mit Rauschen um. Er erkennt Cluster beliebiger Form und übertrifft damit k-means bei nicht konvexen Mustern. Allerdings stößt der Algorithmus an Grenzen, wenn Cluster stark unterschiedliche Dichten aufweisen, da ein einzelner eps-Wert nicht alle Cluster gleichzeitig abdecken kann. Varianten wie HDBSCAN und OPTICS begegnen dieser Einschränkung, indem sie Dichteschwellen adaptiv anpassen.
Bereit?
Sehen Sie Mapular
in Aktion.
Buchen Sie eine kostenlose 30-minütige Demo. Wir zeigen Ihnen genau, wie die Plattform für Ihren Anwendungsfall funktioniert. Kein generisches Foliendeck, keine Verpflichtung.