DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) est un puissant algorithme d'apprentissage non supervisé utilisé pour identifier des groupes distincts dans les données en fonction de la densité. Contrairement aux méthodes de clustering traditionnelles qui supposent des clusters sphériques ou nécessitent un nombre prédéterminé de groupes, DBSCAN localise des régions de haute densité séparées par des zones de faible densité. Cette capacité lui permet de découvrir des clusters de formes et de tailles arbitraires, ce qui le rend exceptionnellement efficace pour analyser des ensembles de données du monde réel complexes où la structure sous-jacente est inconnue. Un avantage clé de cet algorithme est sa détection d'anomalies intégrée, car il classe automatiquement les points des régions à faible densité comme du bruit plutôt que de les forcer dans un cluster.

Concepts et paramètres clés#

L'algorithme fonctionne en définissant un voisinage autour de chaque point de données et en comptant combien d'autres points se trouvent dans cette zone. Deux hyperparamètres principaux contrôlent ce processus, ce qui nécessite un réglage des hyperparamètres minutieux pour correspondre aux caractéristiques spécifiques des données :

• Epsilon (eps) : Ce paramètre spécifie le rayon maximal autour d'un point pour rechercher des voisins. Il définit la distance d'« accessibilité ».
• Points minimums (minPts) : Cela définit le nombre minimal de points de données requis dans le rayon Epsilon pour former une région dense ou un « cœur ».

Sur la base de ces paramètres, DBSCAN catégorise chaque point du jeu de données en trois types :

1. Points centraux (Core Points) : Points qui ont au moins minPts voisins dans le rayon eps. Ces points forment l'intérieur d'un cluster.

2. Points frontières (Border Points) : Points qui se trouvent dans le rayon eps d'un point central mais qui ont eux-mêmes moins de minPts voisins. Ceux-ci forment les bords d'un cluster.

3. Points de bruit (Noise Points) : Points qui ne sont ni des points centraux ni des points frontières. Ceux-ci sont traités efficacement comme des valeurs aberrantes, ce qui est utile pour des tâches telles que la détection de valeurs aberrantes.

DBSCAN vs. Clustering K-Means#

Bien que les deux soient fondamentaux pour l'apprentissage automatique (ML), DBSCAN offre des avantages distincts par rapport au Clustering K-Means dans des scénarios spécifiques. K-Means repose sur des centroïdes et la distance euclidienne, en supposant souvent que les clusters sont convexes ou sphériques. Cela peut entraîner de piètres performances sur des données allongées ou en forme de croissant. En revanche, l'approche basée sur la densité de DBSCAN lui permet de suivre les contours naturels de la distribution des données.

Une autre différence significative réside dans l'initialisation. K-Means exige que tu spécifies à l'avance le nombre de clusters (k), ce qui peut s'avérer difficile sans connaissances préalables. DBSCAN déduit le nombre de clusters naturellement à partir de la densité des données. De plus, K-Means est sensible aux valeurs aberrantes car il force chaque point dans un groupe, ce qui risque de fausser les centres des clusters. La capacité de DBSCAN à étiqueter les points comme du bruit empêche les anomalies de données de contaminer des clusters valides, garantissant ainsi des résultats plus propres pour les tâches en aval comme la modélisation prédictive.

Applications concrètes#

DBSCAN est largement appliqué dans les industries nécessitant une analyse spatiale et un traitement robuste du bruit.

• Analyse géospatiale : En urbanisme et en logistique, les analystes utilisent DBSCAN pour regrouper les coordonnées GPS de flottes de livraison ou de services de covoiturage. En identifiant les zones de dépôt à forte densité, les entreprises peuvent optimiser la planification des tournées et l'emplacement des entrepôts. Par exemple, l'IA en logistique implique souvent le regroupement des arrêts de livraison pour améliorer l'efficacité.
• Détection d'anomalies basée sur la vision : Dans le secteur manufacturier, les systèmes d'inspection visuelle alimentés par des modèles comme YOLO26 peuvent détecter des défauts de surface. DBSCAN peut regrouper les coordonnées de ces défauts sur une carte de produit. Des détections isolées peuvent être rejetées comme du bruit de capteur, tandis que des clusters denses indiquent un défaut de fabrication systématique, déclenchant une alerte pour l'inspection de la qualité.

Exemple de code : Centroïdes de détection de clustering#

Dans les flux de travail de vision par ordinateur, les développeurs utilisent souvent la Plateforme Ultralytics pour entraîner des détecteurs d'objets, puis post-traiter les résultats. L'exemple suivant montre comment utiliser la bibliothèque sklearn pour regrouper les centroïdes d'objets détectés. Cela aide à regrouper des détections qui sont spatialement liées, en fusionnant potentiellement plusieurs boîtes englobantes pour le même objet ou en identifiant des groupes d'objets.

import numpy as np
from sklearn.cluster import DBSCAN

# Simulated centroids of objects detected by YOLO26
# [x, y] coordinates representing object locations
centroids = np.array(
    [
        [100, 100],
        [102, 104],
        [101, 102],  # Cluster 1 (Dense group)
        [200, 200],
        [205, 202],  # Cluster 2 (Another group)
        [500, 500],  # Noise (Outlier)
    ]
)

# Initialize DBSCAN with a radius (eps) of 10 and min_samples of 2
# This groups points close to each other
clustering = DBSCAN(eps=10, min_samples=2).fit(centroids)

# Labels: 0, 1 are cluster IDs; -1 represents noise
print(f"Cluster Labels: {clustering.labels_}")
# Output: [ 0  0  0  1  1 -1]

Intégration avec l'apprentissage profond#

Bien que DBSCAN soit un algorithme classique, il s'associe efficacement au deep learning moderne. Par exemple, les caractéristiques de haute dimension extraites d'un réseau de neurones convolutionnels (CNN) peuvent être réduites à l'aide de techniques de réduction de dimensionalité telles que l'ACP (PCA) ou le t-SNE avant d'appliquer DBSCAN. Cette approche hybride permet de regrouper des données d'image complexes en fonction de la similarité sémantique plutôt que de la simple position des pixels. Cela est particulièrement utile dans les scénarios d'apprentissage non supervisé où les données d'entraînement étiquetées sont rares, aidant les chercheurs à organiser efficacement de vastes archives d'images non étiquetées.