---
title: "核心點（DBSCAN）（Core Point）"
slug: core-point
language: zh-TW
source: https://aiterms.tw/terms/core-point
updated_at: 2026-07-30
tags: [聚類演算法, DBSCAN, 密度聚類, 非監督學習, 異常偵測]
ipas_term: false
---

# 核心點（DBSCAN）（Core Point）

在 DBSCAN 聚類演算法中，鄰域半徑 ε 內至少有 MinPts 個鄰居的資料點，是聚類簇的核心組成元素。

## 完整說明

核心點（Core Point）是 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）演算法中的三類資料點之一。若某個資料點在其 ε（epsilon）鄰域半徑範圍內（含自身）的點的數量達到或超過 MinPts 閾值，則該點被定義為核心點。核心點是高密度區域的中心，不同核心點的鄰域重疊時形成聚類簇，是 DBSCAN 能夠發現任意形狀聚類的關鍵機制。

## 常見問題

### DBSCAN 中的 ε 和 MinPts 如何選擇？

ε 的選擇通常透過 k-距離圖（k-distance plot）輔助判斷。方法是對每個資料點計算到其第 MinPts 個最近鄰的距離，將所有點的這個距離值從小到大排序後繪製成折線圖，圖中明顯的「肘部彎折點」對應的距離值即為建議的 ε 值。MinPts 的選擇通常設為資料維度 D 的兩倍加一（MinPts = 2D），或根據領域知識設定。MinPts 越小，越容易形成核心點，可能產生較多較小的聚類；MinPts 越大，對「高密度」的要求越嚴格，結果更穩健但可能遺漏小的真實聚類群體。實際應用中建議在合理範圍內多試幾組參數，並結合領域知識評估結果的合理性。

### 核心點、邊界點和雜訊點在實際應用中各代表什麼意義？

在實際場景中，三類點有不同的解讀意義。核心點代表資料密集區域的典型個體，通常是某個現象的「主力」或「中心」：例如地理聚類中密集社區的核心地點，異常偵測中的正常行為典型個體。邊界點在密集區域邊緣，屬於某個聚類但代表性較弱，可能是過渡狀態或部分符合某類別的個體。雜訊點是真正孤立的個體，在異常偵測應用中，雜訊點正是我們關注的異常樣本（如罕見疾病模式、詐騙交易）。因此 DBSCAN 在異常偵測任務中特別有用：無需事先標注異常，算法自動識別出與任何聚類都不相符的孤立點。

### DBSCAN 和 K-Means 應該怎麼選？

選擇取決於資料特性與需求。K-Means 適合：知道大概有幾個聚類、聚類形狀接近球形（凸形）、資料密度較均勻、需要快速處理大規模資料。DBSCAN 適合：不知道聚類數量、聚類形狀任意（環形、C 形等非凸形狀）、資料中存在明顯的噪音或離群值需要自動識別、不同聚類的密度差異不大。若資料有非常不同的局部密度，可考慮 HDBSCAN（Hierarchical DBSCAN），它是 DBSCAN 的進階版本，能更好地處理密度不均勻的情況。K-Means 計算效率通常更高，DBSCAN 的時間複雜度為 O(n log n)（使用空間索引時），適合中等規模資料集。

---

來源：https://aiterms.tw/terms/core-point
快查頁：https://aiterms.tw/terms/core-point
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-core-point