# Klasteryzacja gęstościowa (DBSCAN, HDBSCAN)

EN: **Density-based clustering** · id `densityclustering`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Uczenie nienadzorowane](https://aiatlasgraph.com/t/unsupervised.md) › [Klasteryzacja](https://aiatlasgraph.com/t/clustering.md) › Klasteryzacja gęstościowa (DBSCAN, HDBSCAN)

## Description

- PL: Grupy to gęste obszary danych; punkty w rzadkich miejscach zostają oznaczone jako szum. Nie wymaga podania liczby grup i radzi sobie z nieregularnymi kształtami.
- EN: Clusters are dense regions of data; points in sparse areas are marked as noise. No need to set the number of clusters, and it handles irregular shapes.

## In one sentence

- PL: To szukanie grup w miejscach, gdzie wiele podobnych przykładów leży blisko siebie.
- EN: This finds groups where many similar examples lie close together.

## Problem it solves

- PL: Grupy mają nieregularne kształty, ich liczba jest nieznana, a pojedyncze przypadki nie pasują do żadnej.
- EN: Groups have irregular shapes, their number is unknown and some isolated cases fit none of them.

## What it does

- PL: Łączy sąsiadujące gęste obszary danych w grupy i może zostawiać odosobnione przykłady poza nimi, bez ustalania liczby grup z góry.
- EN: It joins neighbouring dense data regions into groups and can leave isolated examples outside them, without presetting the number of groups.

## Everyday example

- PL: Na mapie postojów rowerów wykrywasz skupiska popularnych miejsc, pozostawiając odosobnione postoje bez przypisania do grupy.
- EN: On a map of bicycle stops, you detect clusters of popular places while leaving isolated stops unassigned.

## This concerns you if you…

- PL: nie znasz liczby grup w danych
- PL: chcesz oddzielać skupiska od odosobnionych przykładów
- EN: do not know how many groups the data contains
- EN: want to separate clusters from isolated examples

## Keywords

DBSCAN · HDBSCAN · OPTICS · core points · density reachability

## How it works

- PL: Gęstość lokalną szacuje się z sąsiedztw, łącząc obszary wspierane przez wystarczającą liczbę punktów. Wariant hierarchiczny analizuje grupy przy zmieniającej się skali gęstości i wybiera stabilne skupienia.
- EN: Local density is estimated from neighbourhoods, joining regions supported by sufficient points. Hierarchical variants examine groups across density scales and select stable clusters.

## Limits

- PL: Wynik zależy od odległości, parametrów sąsiedztwa i pokrycia danych. Wysoki wymiar osłabia ocenę gęstości, a oznaczenie szumu nie dowodzi, że przykład jest niepoprawny.
- EN: Results depend on distance, neighbourhood parameters and data coverage. High dimensions weaken density estimates, and noise labels do not prove examples are invalid.

## Key terms

- PL: **punkt rdzeniowy**: Próbka z dostatecznie gęstym sąsiedztwem w wybranej skali.
- PL: **szum**: Próbki niewłączone do skupień według przyjętych kryteriów gęstości.
- EN: **core point**: A sample with a sufficiently dense neighbourhood at a chosen scale.
- EN: **noise**: Samples excluded from clusters under the selected density criteria.

## Know first

- [Metoda k najbliższych sąsiadów (k-NN) (k-nearest neighbours)](https://aiatlasgraph.com/t/knn.md)
- [Rozkłady prawdopodobieństwa (Probability distributions)](https://aiatlasgraph.com/t/distributions.md)

## Examples

- PL: DBSCAN · HDBSCAN · OPTICS

## Related topics

Untyped, symmetric "see also" links.

- [Wykrywanie anomalii i nowości (Outlier and novelty detection)](https://aiatlasgraph.com/t/anomalydetection.md)

## Sources

- [scikit-learn — 2.3 Clustering](<https://scikit-learn.org/stable/modules/clustering.html>) `sklearn-clustering` · by scikit-learn developers

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/densityclustering · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30