Pourquoi un petit changement de ε change-t-il brutalement le nombre de classes ?

Les décisions sont à seuil : on compte les points dans une boule de rayon fixe. Un ε un peu plus grand peut tendre un pont entre deux régions denses et fusionner les classes ; un ε plus petit le rompt. Cette non-régularité est inscrite dans le modèle de densité à seuil dur.

Comment choisir minPts dans le plan ?

On prend souvent minPts ≈ 2·dim (dans le plan, 4 comme départ), puis on ajuste selon le niveau de bruit admissible : plus minPts est grand, plus l’exigence sur les cœurs est forte et plus de points partent dans le bruit.

En quoi DBSCAN diffère-t-il des k-moyennes ?

Le nombre de classes n’est pas fixé à l’avance, la forme peut être quelconque, et les points rares sont déclarés bruit au lieu d’être forcés dans le groupe le plus proche. Le prix : deux seuils ε et minPts au lieu d’un seul k, et une sensibilité à l’échelle des distances.

DBSCAN : clustering par densité

Rayon ε et seuil minPts : cœur, frontière et bruit. Classes de forme quelconque sans k imposé ; autour des points cœur, on peut afficher les cercles de rayon ε.

À propos du modèle

DBSCAN trouve des classes de forme quelconque d’après la densité locale et n’exige pas de fixer le nombre k de groupes. Deux paramètres : le rayon de voisinage ε et minPts — nombre minimal de points dans la boule (y compris le point lui-même) pour qu’un objet soit un point cœur. Les classes s’étendent à partir des cœurs : un point encore non visité dans le voisinage ε d’un cœur entre dans la même classe ; les non-cœurs atteints sont la frontière ; tout ce qui n’est pas absorbé est du bruit. Un petit ε rompt les « ponts » rares entre amas ; un grand ε fusionne les régions. Les étiquettes se recalculent dès que ε ou minPts change : couleur selon la classe, bruit gris à contour rouge ; en option, cercles de rayon ε autour des cœurs. La démonstration mélange des nuages gaussiens denses et un fond uniforme, pour que la classe de bruit soit visible.

Public : Apprentissage automatique et analyse spatiale : classification par densité, comparaison avec les k-moyennes.

Notions clés

DBSCAN
voisinage ε
minPts
point cœur
frontière
bruit
accessibilité par densité
classe de forme quelconque

Comment ça marche

Un point est cœur si la boule de rayon ε contient au moins minPts voisins. La classe grandit à partir des cœurs par ε-connexité ; les points non absorbés sont du bruit. Un petit ε coupe les ponts entre amas, un grand les fusionne. Démonstration : nuages denses et fond clairsemé.

Questions fréquentes

Pourquoi un petit changement de ε change-t-il brutalement le nombre de classes ?: Les décisions sont à seuil : on compte les points dans une boule de rayon fixe. Un ε un peu plus grand peut tendre un pont entre deux régions denses et fusionner les classes ; un ε plus petit le rompt. Cette non-régularité est inscrite dans le modèle de densité à seuil dur.
Comment choisir minPts dans le plan ?: On prend souvent minPts ≈ 2·dim (dans le plan, 4 comme départ), puis on ajuste selon le niveau de bruit admissible : plus minPts est grand, plus l’exigence sur les cœurs est forte et plus de points partent dans le bruit.
En quoi DBSCAN diffère-t-il des k-moyennes ?: Le nombre de classes n’est pas fixé à l’avance, la forme peut être quelconque, et les points rares sont déclarés bruit au lieu d’être forcés dans le groupe le plus proche. Le prix : deux seuils ε et minPts au lieu d’un seul k, et une sensibilité à l’échelle des distances.

Poursuivez avec des thèmes proches de cette catégorie — ou les 85 de «Visualisation mathématique».

Toute la catégorie →

NouveauCollège–lycée

k-moyennes (algorithme de Lloyd)

Lancer la simulation

Points du plan, nombre de classes k et centroïdes de départ. Un pas de Lloyd : affectation au centre le plus proche et déplacement du centroïde au barycentre. Démonstration : mélange de gaussiennes ; somme des carrés intra-classes.

NouveauCollège–lycée

Régression linéaire : MCO, ridge, lasso et R²

Lancer la simulation

Points du plan et modèle y = β₀ + β₁x : moindres carrés ordinaires (MCO), ridge (pénalité L₂ sur la pente) ou lasso (pénalité L₁). Le décalage Δy du point de plus grand |x| est une valeur aberrante à fort levier ; on compare SSE et R².

NouveauUniversité

Ensemble de Mandelbrot

Lancer la simulation

Fort agrandissement de l’ensemble de Mandelbrot : glisser et molette, coloration continue et repères nommés.

NouveauCollège–lycée

Enveloppe convexe (Graham et QuickHull)

Lancer la simulation

Points du plan : parcours de Graham avec animation pas à pas, ou QuickHull ; comparaison des ensembles de sommets.

NouveauCollège–lycée

ACP en 2D : composantes principales

Lancer la simulation

Nuage dans le plan : covariance 2×2, vecteurs propres CP1 et CP2 partant de la moyenne, perpendiculaires à la droite CP1 et bande des coordonnées sur la première composante.

NouveauCollège–lycée

Triangulation de Delaunay et diagramme de Voronoï

Lancer la simulation

Triangulation de Bowyer–Watson et diagramme de Voronoï dual : un clic ajoute des sites, un glissement les déplace.

DBSCAN : clustering par densité

À propos du modèle

Comment ça marche

Questions fréquentes

Simulations voisines

k-moyennes (algorithme de Lloyd)

Régression linéaire : MCO, ridge, lasso et R²

Ensemble de Mandelbrot

Enveloppe convexe (Graham et QuickHull)

ACP en 2D : composantes principales

Triangulation de Delaunay et diagramme de Voronoï

DBSCAN : clustering par densité

À propos du modèle

Comment ça marche

Questions fréquentes