DBSCAN (Density-Based Spatial Clustering of Applications with Noise)은 밀도 기반 클러스터링 알고리즘으로, 데이터의 밀도가 높은 지역을 클러스터로 식별합니다. 이 알고리즘은 비구형 클러스터를 탐지할 수 있으며, 노이즈 데이터도 처리할 수 있습니다.

DBSCAN의 주요 개념

1. Core Point (핵심점):
   • 반경 eps 내에 min_samples 이상의 다른 포인트를 가지는 포인트.
2. Border Point (경계점):
   • Core Point에 포함되지 않지만, 반경 eps 내에 최소한 하나의 Core Point가 있는 포인트.
3. Noise Point (노이즈 포인트):
   • Core Point도 Border Point도 아닌 포인트.

DBSCAN 알고리즘 동작 방식

1. 모든 포인트를 방문:
   • 아직 방문하지 않은 포인트를 선택하고, 해당 포인트를 기준으로 반경 eps 내의 모든 포인트를 찾습니다.
2. 핵심점 여부 확인:
   • 반경 eps 내에 min_samples 이상의 포인트가 있으면 Core Point로 간주하고, 새로운 클러스터를 생성합니다.
3. 클러스터 확장:
   • Core Point로부터 연결된 모든 포인트를 클러스터에 추가합니다. 연결된 포인트가 새로운 Core Point라면, 그 포인트도 클러스터에 포함시키고 확장을 계속합니다.
4. 노이즈 식별:
   • Core Point도 Border Point도 아닌 포인트는 노이즈로 간주합니다.

주요 파라미터

• eps (ε): 두 포인트가 같은 클러스터에 속할 수 있는 최대 거리.
• min_samples: 한 클러스터에 포함될 수 있는 최소 포인트 수. 이 값보다 적은 포인트를 가진 지역은 노이즈로 간주됩니다.

DBSCAN 알고리즘의 장단점

장점:

• 클러스터의 모양에 제한이 없으며, 비구형 클러스터도 탐지할 수 있습니다.
• 노이즈를 처리할 수 있습니다.
• 클러스터의 수를 미리 지정할 필요가 없습니다.

단점:

• 클러스터 크기가 매우 다르거나 데이터 밀도가 다를 때 어려움을 겪을 수 있습니다.