---
title: "雜訊點（DBSCAN 雜訊概念）（Noise Point）"
slug: noise-point
language: zh-TW
source: https://aiterms.tw/terms/noise-point
updated_at: 2026-06-22
tags: [DBSCAN, 聚類演算法, 離群值偵測, 密度聚類, 異常偵測, 機器學習]
ipas_term: false
---

# 雜訊點（DBSCAN 雜訊概念）（Noise Point）

在 DBSCAN 聚類演算法中，不屬於任何聚類的樣本點，即鄰域內核心點密度不足、也非邊界點的孤立資料點，通常代表離群值或異常值。

## 完整說明

雜訊點（Noise Point）是 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚類演算法中的概念，指在以半徑 ε 為範圍的鄰域內，鄰居數量少於最小樣本數 MinPts 閾值、同時也不在任何核心點鄰域內的資料點。DBSCAN 在聚類過程中不強迫所有資料點歸屬某個類別，雜訊點最終被標記為離群值（標籤 -1），常用於異常偵測和離群值識別。

## 常見問題

### DBSCAN 的雜訊點一定是異常值嗎？

不一定。雜訊點是相對於 DBSCAN 的參數設定（ε 和 MinPts）而言沒有足夠鄰居的孤立點，但這不代表它們在業務上必然是異常值。若 ε 設定過小，本應屬於正常群組的點也可能因鄰域太小而被標記為雜訊。反之，若 ε 過大，真正的異常值也可能被拉進某個大聚類中。因此，判斷雜訊點是否為真正的業務異常，還需要結合領域知識對這些點進行人工審視，不能完全依賴演算法的自動標記。

### 如何選擇 DBSCAN 的 ε 和 MinPts 參數？

常用方法是「k-distance Graph」：選定 k = MinPts - 1，計算每個點到其第 k 個最近鄰的距離，將所有距離從大到小排序後繪圖，尋找曲線的「膝點」（急劇彎折處），以該距離作為 ε 的候選值，這個點之後的資料點距離明顯增大，代表它們可能是雜訊點。MinPts 的選擇通常建議 ≥ 資料維度 + 1，實務中常用 4 或 5 作為初始嘗試，再根據聚類結果（雜訊點比例、聚類形狀）調整。

### DBSCAN 和孤立森林（Isolation Forest）哪個更適合做異常偵測？

兩者適用場景有所不同。DBSCAN 將異常偵測視為聚類的副產品，適合資料中正常樣本能形成清晰密集群組、異常值是真正孤立的情境，且具有直觀的幾何意義；局限在於對高維資料和密度差異大的情境效果下降。孤立森林（Isolation Forest）是專門為異常偵測設計的演算法，基於「異常點更容易被隔離」的概念，在高維資料和大量資料上通常更有效率，且有異常分數（Anomaly Score）可供排序。實務上，建議兩者都嘗試，以驗證集上的異常偵測效果為準。

---

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