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

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) est un algorithme d'apprentissage non supervisé puissant utilisé pour identifier des groupes distincts au sein de données en fonction de leur 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 jeux de données réels complexes dont la structure sous-jacente est inconnue. Un avantage clé de cet algorithme est sa fonction intégrée de détection d'anomalies, car il classifie automatiquement les points dans les régions à faible densité comme du bruit plutôt que de les forcer à rejoindre un cluster.

Link to this sectionConcepts 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 proximité. Deux hyperparamètres principaux contrôlent ce processus, nécessitant 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 de cœur : Points qui ont au moins minPts voisins dans le rayon eps. Ces points forment l'intérieur d'un cluster.

2. Points de bordure : Points qui sont situés dans le rayon eps d'un point de cœur mais qui ont moins de minPts voisins eux-mêmes. Ils forment les bords d'un cluster.

3. Points de bruit : Points qui ne sont ni des points de cœur ni des points de bordure. Ils sont effectivement traités comme des valeurs aberrantes, ce qui est utile pour des tâches telles que la détection d'anomalies.

Link to this sectionDBSCAN 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, supposant souvent que les clusters sont convexes ou sphériques. Cela peut conduire à de faibles 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 précises le nombre de clusters (k) à l'avance, ce qui peut être difficile sans connaissances préalables. DBSCAN déduit naturellement le nombre de clusters 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 peut fausser les centres des clusters. La capacité de DBSCAN à étiqueter les points comme du bruit empêche les anomalies de données de contaminer les clusters valides, garantissant des résultats plus propres pour les tâches en aval comme la modélisation prédictive.

Link to this sectionApplications concrètes#

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

• Analyse géospatiale : Dans l'urbanisme et la logistique, les analystes utilisent DBSCAN pour regrouper les coordonnées GPS des flottes de livraison ou des services de covoiturage. En identifiant les zones de dépôt à haute densité, les entreprises peuvent optimiser la planification d'itinéraires et l'emplacement des entrepôts. Par exemple, l'IA dans la logistique implique souvent le regroupement des points de livraison pour améliorer l'efficacité.
• Détection d'anomalies basée sur la vision : Dans l'industrie manufacturière, 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. Les détections isolées peuvent être considérées comme du bruit de capteur, tandis que les clusters denses indiquent un défaut de fabrication systématique, déclenchant une alerte pour l'inspection qualité.

Link to this sectionExemple de code : Centroïdes de détection de clustering#

Dans les workflows de vision par ordinateur, tu utilises souvent la plateforme Ultralytics pour entraîner des détecteurs d'objets, puis pour traiter les résultats. L'exemple suivant démontre comment utiliser la bibliothèque sklearn pour regrouper les centroïdes des objets détectés. Cela aide à regrouper les détections 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]

Link to this sectionIntégration avec l'apprentissage profond#

Bien que DBSCAN soit un algorithme classique, il se marie efficacement avec l'apprentissage profond moderne. Par exemple, les caractéristiques de haute dimension extraites d'un réseau de neurones convolutionnel (CNN) peuvent être réduites en utilisant des techniques de réduction de dimensionnalité comme PCA ou t-SNE avant d'appliquer DBSCAN. Cette approche hybride permet de regrouper des données d'image complexes en fonction de la similitude sémantique plutôt que de la simple position des pixels. C'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.