---
title: "密度型空間分群演算法（DBSCAN）"
slug: dbscan
language: zh-TW
source: https://aiterms.tw/terms/dbscan
updated_at: 2026-06-22
tags: [機器學習, 統計方法, 資料處理, 異常偵測]
ipas_term: false
---

# 密度型空間分群演算法（DBSCAN）

密度型空間分群演算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）是一種基於資料點鄰域密度進行分群的演算法，

## 完整說明

密度型空間分群演算法（DBSCAN）透過兩個參數定義密集區域：鄰域半徑（ε）和最小樣本數（minPts）。演算法將資料點分為核心點（鄰域內有足夠多樣本）、邊界點（在核心點鄰域內但自身非核心）和雜訊點（不屬於任何群組）。相較於 K-Means，DBSCAN 能發現非球形群組、自動確定分群數目，並對雜訊資料有天然的辨識能力。適用於地理空間分析、異常偵測及使用者行為分群等場景。

## 常見問題

### DBSCAN 和 K-Means 分別適合什麼情況？

K-Means 適合以下情境：你事先知道（或能合理估計）分群數目、資料群組形狀接近球形、群組大小相近，且資料中雜訊點很少。DBSCAN 則更適合：群組形狀不規則（如月牙形、環形）、不確定有幾個群組、資料中含有需要被識別出來的雜訊點，以及群組密度明顯高於背景的場景。實際專案中，可先用 DBSCAN 探索性地瞭解資料的自然結構，再根據發現的群組數目和形狀決定是否切換至 K-Means 或其他演算法進行後續分析。

### 如何選擇 DBSCAN 的 ε 和 minPts 參數？

minPts 的通用準則是 minPts ≥ D + 1（D 為資料維度），對於有雜訊的資料建議設為 2 × D 或更高。ε 的選擇較為複雜：計算每個資料點到其第 minPts 近鄰的距離，將所有距離排序後繪製折線圖，找到斜率急劇改變的「肘部」，該處對應的距離值即為建議的 ε。若肘部不明顯，代表資料可能不具備明顯的密度結構，需重新評估是否適合用 DBSCAN。HDBSCAN 透過建立多尺度的密度樹，能部分自動化此超參數選擇過程。

### iPAS 考題中 DBSCAN 和 HDBSCAN 如何區分？

iPAS 考題中兩者的關鍵區分點在於對密度不均勻性的處理。DBSCAN 使用單一全局 ε，當資料中不同群組的密度差異大時，單一 ε 無法同時照顧稀疏群組（ε 太小會拆散）和密集群組（ε 太大會合併）。HDBSCAN（Hierarchical DBSCAN）透過建立階層式密度樹，能同時識別不同密度尺度下的群組，並根據群組的穩定性（Stability）自動選取最終分群。考題若提到「密度不均勻」「多尺度群組」或「不需設 ε」，答案通常指向 HDBSCAN；若提到「需設 ε 和 minPts」或「雜訊點識別」，則通常是 DBSCAN。

---

來源：https://aiterms.tw/terms/dbscan
快查頁：https://aiterms.tw/terms/dbscan
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-dbscan