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

DBSCAN (regroupement spatial d'applications fondé sur la densité avec bruit) est un puissant algorithme d'apprentissage non supervisé 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 prédéfini de groupes, DBSCAN localise les régions de forte 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 particulièrement efficace pour analyser des jeux de données du monde réel dont la structure sous-jacente est inconnue. L'un des principaux avantages de cet algorithme est sa fonction intégrée de détection des anomalies, qui classe automatiquement les points situés dans des régions de faible densité comme du bruit au lieu de les forcer à appartenir à un cluster.

Concepts fondamentaux et paramètres#

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

• Epsilon (eps) : ce paramètre spécifie le rayon maximal autour d'un point dans lequel rechercher des voisins. Il définit la distance de « portée ».
• Nombre minimal de points (minPts) : ce paramètre définit le nombre minimal de points de données requis dans le rayon Epsilon pour former une région dense, ou « noyau ».

En fonction de ces paramètres, DBSCAN classe chaque point du jeu de données dans l'un des trois types suivants :

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

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

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

DBSCAN et le clustering K-Means#

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

Une autre différence importante concerne l'initialisation. K-Means exige que l'utilisateur spécifie à l'avance le nombre de clusters (k), 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 à appartenir à un groupe, ce qui peut fausser les centres des clusters. La capacité de DBSCAN à étiqueter les points comme du bruit empêche les anomalies dans les données de contaminer les clusters valides, garantissant ainsi des résultats plus propres pour les tâches en aval comme la modélisation prédictive.

Applications concrètes#

DBSCAN est largement utilisé dans les secteurs qui nécessitent une analyse spatiale et une gestion robuste du bruit.

• Analyse géospatiale : dans l'urbanisme et la logistique, les analystes utilisent DBSCAN pour regrouper les coordonnées GPS de flottes de livraison ou de services de covoiturage. En identifiant les zones de dépose à forte densité, les entreprises peuvent optimiser la planification des itinéraires et l'emplacement des entrepôts. Par exemple, l'IA dans la logistique consiste souvent à regrouper les arrêts de livraison afin d'améliorer l'efficacité.
• Détection des anomalies fondée sur la vision : dans le secteur manufacturier, des 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 du produit. Les détections isolées peuvent être écartées comme du bruit du capteur, tandis que les clusters denses indiquent un défaut de fabrication systématique, ce qui déclenche une alerte pour l'inspection qualité.

Exemple de code : clustering des centroïdes de détection#

Dans les workflows de vision par ordinateur, les développeurs utilisent souvent l'Ultralytics Platform pour entraîner des détecteurs d'objets, puis post-traiter les résultats. L'exemple suivant montre comment utiliser la bibliothèque sklearn pour regrouper les centroïdes des objets détectés. Cela permet de regrouper les détections qui sont spatialement liées, et éventuellement de fusionner plusieurs boîtes englobantes correspondant au même objet ou d'identifier 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 le deep learning#

Bien que DBSCAN soit un algorithme classique, il s'associe efficacement au deep learning moderne. Par exemple, les caractéristiques de grande dimension extraites d'un réseau neuronal convolutif (CNN) peuvent être réduites à l'aide de 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 leur similarité sémantique plutôt que de leur simple position en pixels. Elle est particulièrement utile dans les scénarios d'apprentissage non supervisé où les données d'entraînement annotées sont rares, aidant ainsi les chercheurs à organiser efficacement de vastes archives d'images non annotées.