ความแตกต่างระหว่าง K-Means และ DBSCAN

K-Means

K-means clustering เป็นอัลกอริทึมแบ่งกลุ่ม (partitioning algorithm) K-means จัดสรรข้อมูลแต่ละชิ้นในชุดข้อมูลให้กับกลุ่มใหม่ที่สร้างขึ้นเพียงกลุ่มเดียว ข้อมูลหรือจุดข้อมูลจะถูกกำหนดให้กับกลุ่มที่ใกล้ที่สุดโดยใช้ขนาดระยะทางหรือความคล้ายคลึง

ใน K-means วัตถุจะถูกกำหนดให้กับ centroid ที่ใกล้ที่สุด สามารถกำหนดข้อจำกัด cannot-link และปรับปรุงกระบวนการกำหนด centroid ให้เป็น centroid ที่ใกล้ที่สุดและเหมาะสม เมื่อวัตถุถูกกำหนดให้ centroid ตามลำดับ ในแต่ละขั้นตอนสามารถตรวจสอบว่าการกำหนดจนถึงตอนนี้ไม่ละเมิดข้อจำกัด cannot-link วัตถุจะถูกกำหนดให้ centroid ที่ใกล้ที่สุด ดังนั้นการกำหนดจึงเคารพข้อจำกัด cannot-link

DBSCAN

DBSCAN ย่อมาจาก Density-Based Spatial Clustering of Applications with Noise เป็นอัลกอริทึมจัดกลุ่มแบบความหนาแน่น (density-based) อัลกอริทึมนี้ขยายพื้นที่ที่มีความหนาแน่นพอสมควรเป็นกลุ่ม และค้นพบกลุ่มที่มีรูปร่าง tùy ý ในฐานข้อมูลเชิงพื้นที่ที่มีสัญญาณรบกวน กำหนดกลุ่มเป็นเซตสูงสุดของจุดที่เชื่อมต่อกันด้วยความหนาแน่น

กลุ่มแบบความหนาแน่นคือเซตของวัตถุที่เชื่อมต่อกันด้วยความหนาแน่น ซึ่งเป็น maximal ว่าด้วย density-reachability วัตถุทุกชิ้นที่ไม่ได้อยู่ในกลุ่มใดๆ ถูกมองว่าเป็นสัญญาณรบกวน (noise)

DBSCAN ตรวจสอบกลุ่มโดยตรวจสอบ ε-neighborhood ของทุกจุดในฐานข้อมูล หาก ε-neighborhood ของจุด p มีจุดมากกว่า MinPts จะสร้างกลุ่มใหม่ด้วย p เป็น core element DBSCAN รวบรวมวัตถุที่ density-reachable อย่างต่อเนื่องจาก core element เหล่านี้ ซึ่งอาจรวมถึงการรวมกลุ่ม density-reachable หลายกลุ่ม กระบวนการสิ้นสุดเมื่อไม่มีจุดใหม่ที่เพิ่มเข้าไปในกลุ่มใดๆ ได้

การเปรียบเทียบ K-Means และ DBSCAN