AI 용어집
인공지능 완전 사전
Point Central (Core Point)
Point qui possède au moins MinPts points dans son voisinage epsilon, servant de graine pour la formation d'un cluster.
Point Frontière (Border Point)
Point qui n'est pas un point central mais qui se trouve dans le voisinage epsilon d'au moins un point central, appartenant ainsi à un cluster.
Point Bruit (Noise Point)
Point qui n'est ni un point central ni un point frontière, n'appartenant à aucun cluster et considéré comme une anomalie ou une valeur aberrante.
Graphe de Atteignabilité
Représentation utilisée par des algorithmes comme OPTICS pour visualiser la structure de densité des données et identifier les clusters.
Distance au k-plus Proche Voisin
Méthode courante pour estimer la valeur optimale du paramètre epsilon en DBSCAN en analysant la distance de chaque point à son k-ième voisin le plus proche.
Connectivité de Densité
Principe selon lequel deux points sont connectés s'il existe une chaîne de points denses les reliant, formant la base de la construction des clusters dans DBSCAN.
Déterminisme
Propriété de DBSCAN garantissant que pour un jeu de données et des paramètres donnés, le résultat du clustering est toujours identique, contrairement à des algorithmes comme K-Means.
Dimensionnalité Curse
Défi majeur pour DBSCAN où, dans des espaces de très haute dimension, la notion de densité devient moins pertinente et les performances de l'algorithme se dégradent.
Cluster Arbitraire
Capacité de DBSCAN à identifier des clusters de formes non-convexes et de tailles variées, contrairement à des algorithmes comme K-Means qui supposent des clusters sphériques.