อะไรคือความแตกต่างระหว่าง K-Means และ DBSCAN?

K-Means

K-means clustering เป็นอัลกอริธึมการแบ่งพาร์ติชัน K-means สร้างข้อมูลใหม่ในชุดข้อมูลให้กับกลุ่มใหม่ที่สร้างขึ้นเพียงกลุ่มเดียว ข้อมูลหรือจุดข้อมูลถูกกำหนดให้กับคลัสเตอร์ที่อยู่ติดกันโดยใช้การวัดระยะทางหรือความคล้ายคลึงกัน

ใน k-mean วัตถุจะถูกสร้างขึ้นที่จุดศูนย์กลางที่ใกล้ที่สุด มันสามารถกำหนดข้อจำกัดที่ไม่สามารถเชื่อมโยงได้ และแก้ไขกระบวนการกำหนดศูนย์ใน k-mean เป็นการมอบหมายศูนย์ที่ใกล้เคียงที่สุด

เมื่อวัตถุถูกสร้างขึ้นเพื่อจัดกึ่งกลางตามลำดับ ในแต่ละขั้นตอน วัตถุสามารถจัดเตรียมการมอบหมายได้จนถึงขณะนี้ ไม่ทำให้ข้อจำกัดบางข้อไม่สามารถเชื่อมโยงไม่เป็นระเบียบ ออบเจ็กต์จะถูกสร้างขึ้นที่ศูนย์กลางที่ใกล้ที่สุด ดังนั้นงานจึงเป็นไปตามข้อจำกัดบางอย่างที่ไม่สามารถเชื่อมโยงได้

ดีบีเอสแคน

DBSCAN แสดงถึงการจัดคลัสเตอร์เชิงพื้นที่ของแอปพลิเคชันที่มีเสียงรบกวนตามความหนาแน่น เป็นอัลกอริทึมการจัดกลุ่มตามความหนาแน่น อัลกอริธึมช่วยปรับปรุงภูมิภาคที่มีความหนาแน่นสูงเพียงพอในกลุ่มและค้นพบคลัสเตอร์ของโครงสร้างตามอำเภอใจในฐานข้อมูลเชิงพื้นที่พร้อมสัญญาณรบกวน มันกำหนดคลัสเตอร์เป็นชุดสูงสุดของจุดเชื่อมต่อความหนาแน่น

คลัสเตอร์แบบอิงความหนาแน่นคือชุดของออบเจ็กต์ที่เชื่อมต่อกับความหนาแน่นซึ่งสูงสุดเกี่ยวกับความสามารถในการเข้าถึงความหนาแน่น แต่ละอ็อบเจ็กต์ที่ไม่มีอยู่ในบางคลัสเตอร์จะถือเป็นสัญญาณรบกวน

DBSCAN ตรวจสอบคลัสเตอร์โดยการตรวจสอบ ε-neighborhood ของทุกจุดในฐานข้อมูล หาก ε-บริเวณใกล้เคียงของจุด p มีมากกว่า MinPts คลัสเตอร์ใหม่ที่มี p เป็นองค์ประกอบหลักจะถูกสร้างขึ้น DBSCAN รวบรวมวัตถุที่เข้าถึงความหนาแน่นได้อย่างแม่นยำซ้ำแล้วซ้ำอีกจากองค์ประกอบที่จำเป็นเหล่านี้ ซึ่งอาจรวมถึงการรวมกลุ่มของคลัสเตอร์ที่เข้าถึงความหนาแน่นได้ไม่กี่แห่ง กระบวนการนี้จะกำจัดเมื่อไม่สามารถเพิ่มจุดใหม่ลงในคลัสเตอร์ได้

เรามาดูการเปรียบเทียบระหว่าง K-Means และ DBSCAN