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

DBSCAN (Agrupamento Espacial de Aplicações com Ruído Baseado em Densidade) é um poderoso algoritmo de aprendizagem não supervisionada utilizado para identificar grupos distintos em dados com base na densidade. Ao contrário dos métodos tradicionais de clustering, que assumem clusters esféricos ou exigem um número predefinido de grupos, o DBSCAN localiza regiões de elevada densidade separadas por áreas de baixa densidade. Esta capacidade permite-lhe descobrir clusters de formas e tamanhos arbitrários, tornando-o extremamente eficaz na análise de conjuntos de dados do mundo real cuja estrutura subjacente é desconhecida. Uma vantagem importante deste algoritmo é a sua deteção de anomalias integrada, pois classifica automaticamente como ruído os pontos em regiões de baixa densidade, em vez de os forçar a pertencer a um cluster.

Conceitos Fundamentais e Parâmetros#

O algoritmo funciona definindo uma vizinhança em torno de cada ponto de dados e contando quantos outros pontos se encontram nessa área. Dois hiperparâmetros principais controlam este processo, exigindo um ajuste dos hiperparâmetros cuidadoso para corresponder às características específicas dos dados:

• Epsilon (eps): Este parâmetro especifica o raio máximo em torno de um ponto para procurar vizinhos. Define a distância de "alcançabilidade".
• Pontos Mínimos (minPts): Define o número mínimo de pontos de dados necessários dentro do raio Epsilon para formar uma região densa ou um "núcleo".

Com base nestes parâmetros, o DBSCAN categoriza cada ponto do conjunto de dados num de três tipos:

1. Pontos Centrais: Pontos que têm pelo menos minPts vizinhos dentro do raio eps. Estes pontos formam o interior de um cluster.

2. Pontos de Fronteira: Pontos que se encontram dentro do raio eps de um ponto central, mas que têm menos de minPts vizinhos. Estes formam as extremidades de um cluster.

3. Pontos de Ruído: Pontos que não são nem pontos centrais nem pontos de fronteira. São tratados efetivamente como valores atípicos, o que é útil para tarefas como a deteção de valores atípicos.

DBSCAN vs. Clustering K-Means#

Embora ambos sejam fundamentais para a aprendizagem automática (ML), o DBSCAN oferece vantagens distintas em relação ao clustering K-Means em cenários específicos. O K-Means baseia-se em centróides e na distância euclidiana, assumindo frequentemente que os clusters são convexos ou esféricos. Isto pode resultar num desempenho fraco em dados alongados ou com forma de crescente. Em contrapartida, a abordagem do DBSCAN baseada na densidade permite-lhe seguir os contornos naturais da distribuição dos dados.

Outra diferença significativa está na inicialização. O K-Means exige que o utilizador especifique antecipadamente o número de clusters (k), o que pode ser difícil sem conhecimento prévio. O DBSCAN infere naturalmente o número de clusters a partir da densidade dos dados. Além disso, o K-Means é sensível a valores atípicos porque força cada ponto a pertencer a um grupo, podendo distorcer os centros dos clusters. A capacidade do DBSCAN para classificar pontos como ruído impede que anomalias nos dados contaminem clusters válidos, garantindo resultados mais limpos para tarefas posteriores, como a modelação preditiva.

Aplicações no mundo real#

O DBSCAN é amplamente aplicado em setores que exigem análise espacial e um tratamento robusto do ruído.

• Análise Geoespacial: No planeamento urbano e na logística, os analistas utilizam o DBSCAN para agrupar coordenadas GPS de frotas de entrega ou serviços de transporte partilhado. Ao identificar zonas de elevada densidade de entregas, as empresas podem otimizar o planeamento de rotas e a localização de armazéns. Por exemplo, a IA na logística envolve frequentemente o agrupamento de paragens de entrega para melhorar a eficiência.
• Deteção de Anomalias Baseada em Visão: Na indústria transformadora, os sistemas de inspeção visual alimentados por modelos como o YOLO26 podem detetar defeitos superficiais. O DBSCAN pode agrupar as coordenadas desses defeitos num mapa do produto. Deteções isoladas podem ser descartadas como ruído do sensor, enquanto clusters densos indicam uma falha sistemática de fabrico, acionando um alerta para a inspeção de qualidade.

Exemplo de Código: Agrupamento de Centróides de Deteções#

Nos fluxos de trabalho de visão computacional, os programadores utilizam frequentemente a Ultralytics Platform para treinar detetores de objetos e, em seguida, efetuar o pós-processamento dos resultados. O exemplo seguinte demonstra como utilizar a biblioteca sklearn para agrupar os centróides dos objetos detetados. Isto ajuda a agrupar deteções que estão espacialmente relacionadas, podendo combinar várias caixas delimitadoras do mesmo objeto ou identificar grupos de objetos.

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]

Integração com Deep Learning#

Embora o DBSCAN seja um algoritmo clássico, combina eficazmente com o deep learning moderno. Por exemplo, as características de elevada dimensionalidade extraídas de uma rede neural convolucional (CNN) podem ser reduzidas utilizando técnicas de redução de dimensionalidade, como PCA ou t-SNE, antes de aplicar o DBSCAN. Esta abordagem híbrida permite agrupar dados de imagem complexos com base na similaridade semântica, e não apenas na localização dos píxeis. Isto é particularmente útil em cenários de aprendizagem não supervisionada onde os dados de treino anotados são escassos, ajudando os investigadores a organizar eficientemente vastos arquivos de imagens não anotadas.