🔖 キーワード索引

🎨 直感で掴む — 「人だかり」を見つける魔法

夜の繁華街を上空から見るところを想像してください。 ある場所には人が密集しています（駅前広場、 ライブ会場、 屋台）。 別の場所はぽつぽつとしか歩いていません（住宅街、 公園の隅）。 DBSCAN は「人がたくさんいる場所」を 1 つのかたまりと認識し、 「ぽつんと孤立した人」は「群衆ではない」と分離する アルゴリズムです。

3 種類の「点」 ― これだけ覚えればよい

DBSCAN は、 すべてのデータ点を次の 3 種類に分類します：

クラスタ形成のイメージ

コア点同士で「半径 ε 以内」に到達できる関係を全部つないでいくと、 1 つのクラスタが浮かび上がります。 その周りに境界点をくっつければ完成。 残った点はすべて noise です。

🎮 触って理解する — ε と minPts を動かして DBSCAN を体感

下の散布図は 非凸（三日月）形状の2つのかたまり＋孤立点 を初期配置しています。 ε（近傍半径）と minPts（コア点に必要な近傍点数・自分含む）の2本のスライダーを動かすと、 各点が コア点・境界点・ノイズ点 に再分類され、 クラスタの着色がリアルタイムに変わります。 図の上でマウスを動かすと、 その近くの点を中心とした 半径 ε の円 が表示されます。 クリックまたはドラッグで点を追加できます（スマホはタッチ／なぞりで追加）。

試してみてほしい操作：(1) ε を小さくすると近傍が痩せてコア点が減り、 ノイズが増える（クラスタが細切れに）。 (2) ε を大きくすると2つの三日月がつながって「1クラスタ」に融合する。 (3) minPts を上げるとコア判定が厳しくなり、 まばらな縁が境界点→ノイズへ転落する。 (4) 2つの塊の間にドラッグで「橋」を架けると、 密度連結によって別々だったクラスタが1つに合体する（＝密度でつながる、というDBSCANの核心）。

関連ページ： k-means（重心ベースとの対比） ／ クラスタリング全体像 ／ 外れ値 ／ ノイズ ／ 標準化 ／ PCA ／ 次元削減。

📐 数式と厳密な定義

データ集合 $D = \{x_1, x_2, \dots, x_n\} \subset \mathbb{R}^d$ と 2 つのパラメータ ($\varepsilon, \text{minPts}$) を考えます。

🔬 数式を「言葉」で読み解く

🧮 SSDSE-B 47 都道府県データで計算してみる

SSDSE-B（2026 年版・2023 年）の 「総人口 A1101」 ($x$) と 「着工新設住宅戸数 H1800」 ($y$) の 2 変数で、 47 都道府県を DBSCAN でクラスタリングします。 住宅着工戸数は都市の規模・経済活動を反映する量で、 人口とは完全には比例しないため 2 次元の散らばりが生まれます。 まずは 7 県だけのサンプルで手計算してみましょう（値は 47 県全体で標準化した z 得点）。

ポイント：DBSCAN の結果は ε と minPts の設定に強く依存します。 上の 7 県例では ε=0.8 で {神奈川・大阪・愛知} がまとまりましたが、 ε=0.5 まで狭めると近傍が 0.5 以内に収まるのは神奈川–大阪の 1 ペアだけになり、 minPts=3 を満たせず 7 県すべてが noise になります。 「最適な ε」を探すには次節の k-distance graph を使います。

最小例で手計算を完全再現する（6 点 × 2 次元）

都道府県データの前に、 より小さな 6 点で DBSCAN の動作を完全に追います。 クラスタリング対象 6 点（2 次元）：

[0, 0], [1, 1], [1, 0], [2, 1], [8, 8], [9, 9]

パラメータ: $\varepsilon = 1.5$、 $\text{minPts} = 2$

Python で同じ 6 点を DBSCAN にかけて確認する：

このコードでやること：上の手計算と同じ 6 点 [0,0],[1,1],[1,0],[2,1],[8,8],[9,9] を sklearn.cluster.DBSCAN にかけ、 手計算ラベルと一致するかを検証する。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

import numpy as np
from sklearn.cluster import DBSCAN

# 6 点の座標（手計算と同じ）
X = np.array([
    [0, 0],  # 点 A
    [1, 1],  # 点 B
    [1, 0],  # 点 C
    [2, 1],  # 点 D
    [8, 8],  # 点 E
    [9, 9],  # 点 F
])
db = DBSCAN(eps=1.5, min_samples=2).fit(X)
labels = db.labels_
print("Python ラベル:", labels)
hand = np.array([0, 0, 0, 0, 1, 1])
print("手計算ラベル:", hand)
print("一致確認:", np.all(labels == hand))

💬 手計算ラベル [0, 0, 0, 0, 1, 1] と Python 出力が一致。 np.all(labels == hand) = True により、 Step 1〜3 の手計算が正しく、 sklearn の DBSCAN も同じ結果を返すことが確認できた。 6 点のうち noise 点はゼロで、 2 つの密なクラスタがきれいに分離された。

🐍 Python 実装 — SSDSE-B で 47 都道府県をクラスタリング

scikit-learn の DBSCAN クラスを使えば数行で実行できます。 標準化 を忘れないこと。

1. 基本的な使い方

このコードでやること：SSDSE-B-2026 から総人口 (A1101) と着工新設住宅戸数 (H1800) の 2 列を読み込み、StandardScaler で標準化後に DBSCAN(eps=0.5, min_samples=4) を実行。クラスタ数・noise 件数と noise 県の一覧を表示する。

📥 入力データ（SSDSE-B-2026、 2023 年・先頭 5 県）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

import pandas as pd
import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler

# SSDSE-B 2026 を読み込む（cp932・2 行目の日本語名は skiprows で除外）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

# 2023 年だけに絞り、必要 2 変数を抜き出す（先頭列名は 'SSDSE-B-2026' = 年度）
df_23 = df[df['SSDSE-B-2026'] == 2023].copy()
X = df_23[['A1101', 'H1800']].values  # 総人口, 着工新設住宅戸数（戸）

# 標準化（必須！）
X_std = StandardScaler().fit_transform(X)

# DBSCAN 実行
db = DBSCAN(eps=0.5, min_samples=4).fit(X_std)
labels = db.labels_

# クラスタ数（noise=−1 は除く）と noise 数
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
n_noise = list(labels).count(-1)
print(f'クラスタ数: {n_clusters}, noise: {n_noise}件')

# どの県が noise か
df_23['cluster'] = labels
print(df_23[df_23['cluster'] == -1][['Prefecture', 'A1101', 'H1800']])

📤 実行すると次の出力が得られる：

💬 eps=0.5 では人口・住宅着工がともに突出する大都市圏 9 県（東京・神奈川・大阪・愛知・埼玉・千葉・兵庫・福岡・北海道）が noise(-1) となり、残る 38 県が cluster 0 にまとまる。eps を 0.8 に緩めると noise は東京 1 県だけに減り、他の大都市圏はクラスタに合流する。

2. 最適な ε を k-distance graph で決める

「ε をいくつにすればよいか」迷ったときは、 k-distance graph（k 番目最近傍点までの距離の昇順プロット）の 肘 (elbow) を ε に取るのが定石です。

このコードでやること：標準化済み X_std に NearestNeighbors(k=4) を当て、各点の 4 番目最近傍距離を昇順プロットする。急に立ち上がる「肘」の高さが eps の目安。

📥 入力データ（コード 1 で作成した X_std、標準化済み 47×2 行列の冒頭）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

from sklearn.neighbors import NearestNeighbors
import matplotlib.pyplot as plt

k = 4  # minPts と同じ値が定番
nn = NearestNeighbors(n_neighbors=k).fit(X_std)
dist, _ = nn.kneighbors(X_std)
k_dist = np.sort(dist[:, k-1])  # k番目最近傍までの距離を昇順ソート

plt.figure(figsize=(8, 4))
plt.plot(k_dist)
plt.xlabel('Points sorted by distance')
plt.ylabel(f'{k}-NN distance')
plt.title('k-distance graph (elbow = eps)')
plt.grid(True, alpha=0.3)
plt.show()

# 急に立ち上がる点（肘）の y 座標を eps に採用する

📤 実行すると次の出力が得られる（グラフ表示）：

💬 肘の位置が eps の目安。中央値付近（約 0.06）はクラスタ内部の密な間隔、急上昇する 0.4〜0.5 が「密な塊」と「孤立した大都市」の境目。0.5 以下では noise が急増し、0.8 以上では全体がほぼ 1 クラスタになる。47 県では eps=0.5〜0.8 が実用域。

3. 結果を散布図で可視化

このコードでやること：DBSCAN の labels_ を使い、クラスタ番号ごとに散布図を色分けして表示。noise(−1) は黒で描画し、どの県が外れ値かを視覚化する。

📥 入力データ（コード 1 の出力 labels を使用）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(9, 6))
colors = ['#1976D2', '#E64A19', '#388E3C', '#7B1FA2', '#FBC02D']
for lbl in set(labels):
    mask = labels == lbl
    color = '#333' if lbl == -1 else colors[lbl % len(colors)]
    name = 'noise' if lbl == -1 else f'cluster {lbl}'
    ax.scatter(X_std[mask, 0], X_std[mask, 1],
               c=color, s=90, alpha=0.85, label=name,
               edgecolor='white', linewidth=1.2)
ax.set_xlabel('総人口（標準化）')
ax.set_ylabel('着工新設住宅戸数（標準化）')
ax.legend(loc='lower right')
ax.set_title('DBSCAN: 47 都道府県の密度ベースクラスタリング')
plt.tight_layout()
plt.show()

📤 実行すると次の出力が得られる（散布図表示）：

💬 東京は標準化後でも (x=+4.13, y=+4.73) と極端に離れており、noise として明確に分離される。散布図で「孤立した点 = 異質な県」が一目でわかる。

4. パラメータの感度分析

同じデータでも (ε, minPts) を変えると結果は大きく変わります。 感度を確認しましょう。

このコードでやること：eps=[0.3, 0.5, 0.8, 1.0] × minPts=[3, 4, 5] のグリッドで DBSCAN を全試行し、各設定のnoise 数をピボット表で比較する。

📥 入力データ（コード 1 の X_std を継続使用）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from itertools import product

results = []
for eps, mp in product([0.3, 0.5, 0.8, 1.0], [3, 4, 5]):
    db = DBSCAN(eps=eps, min_samples=mp).fit(X_std)
    lab = db.labels_
    n_cl = len(set(lab)) - (1 if -1 in lab else 0)
    n_no = int((lab == -1).sum())
    results.append({'eps': eps, 'minPts': mp,
                    'クラスタ数': n_cl, 'noise数': n_no})

print(pd.DataFrame(results).pivot(index='eps', columns='minPts', values='noise数'))

📤 実行すると次の出力が得られる：

💬 eps=0.3 では地方の中規模県まで noise に落ちて 10 件、eps=0.8 以上では東京だけが noise として残り 1 件に収束する。eps=0.5 は minPts の増加に敏感（3→6 件、4→9 件）で、外れ値をどこまで拾うかを minPts で調整できる。eps=0.5〜0.8 が「大都市圏を外れ値として検出しつつ地方圏を 1 クラスタに保つ」バランスの良い範囲。

5. シルエット係数でクラスタリングの質を評価

このコードでやること：noise(−1) を除いたクラスタ点だけを対象に silhouette_score を計算し、クラスタの内部結束と分離度を数値化する。

📥 入力データ（コード 1 の X_std と labels を継続使用）：

1
2
3
4
5
6
7
8
9

from sklearn.metrics import silhouette_score

# noise を除く点だけで評価する
mask = labels != -1
if len(set(labels[mask])) >= 2:
    s = silhouette_score(X_std[mask], labels[mask])
    print(f'silhouette = {s:.3f}')
else:
    print('クラスタ数が 2 未満: シルエット計算不可')

📤 実行すると次の出力が得られる（eps=0.5, min_samples=4 のとき）：

💬 このデータ（総人口・住宅着工の 2 変数）では eps を変えても地方圏が 1 つの密な塊にまとまるため、有効クラスタは常に 1 個で silhouette は計算できない。複数クラスタを得たい場合は、 人口当たりの指標（合計特殊出生率 A4103・高齢化率など）や気候（年平均気温 B4101）といった「規模とは独立した軸」を特徴量に加える。 そうすれば地方圏が複数の性格別クラスタに分かれ、 silhouette で分離の質を評価できるようになる。 いずれの場合も noise(−1) を除いて計算するのが鉄則。

⚠️ 5 つの「DBSCAN 落とし穴」

🌐 関連手法・派生

🔗 関連用語（前提・並列・発展）

🟦 前提となる用語

🟨 並列・比較対象

🟩 発展・応用

📚 関連グループ教材

DBSCAN を含むクラスタリング手法を体系的に学ぶには、 以下のグループ教材が役立ちます：

• クラスタリング手法群（k-means／階層的／DBSCAN／GMM）の総合教材 — 4 手法を SSDSE-B で同時に比較し、 使い分けを体系的に学習
• クラスタリング全般入門 — 教師なし学習の枠組みからスタート
• 外れ値処理 — DBSCAN の noise を異常検知に応用する手順

🗺 概念マップ — DBSCAN の位置づけ

DBSCAN が機械学習・クラスタリングの体系の中でどこに位置し、他の手法・概念とどう繋がっているかを関係図で示す。

💬 DBSCAN（赤）はクラスタリング体系の一員で、 k-means・階層的クラスタリングと並列する手法。 標準化・距離計算が前提となり、 HDBSCAN・OPTICS へ発展、 外れ値検出・GPS 分析への応用につながる。

位置づけ早見表

🎬 学習の総まとめ

本ページで扱った DBSCAN の知識を 1 つに集約：

• 密度ベースのクラスタリング、 eps と min_samples の 2 つで挙動が決まる
• クラスタ数を事前指定不要、 ノイズを自動検出、 任意形状に対応
• SSDSE-B-2026 では 47 都道府県を地域類型化、 東京・北海道・沖縄などの「外れ値県」が ノイズ として明確に
• 標準化必須、 高次元には PCA / UMAP で次元削減
• HDBSCAN は後継として実務推奨
• 異常検知用途では Isolation Forest と組合せる
• 大規模データには cuML / Spark
• 結果は必ずドメイン解釈・パラメータ感度分析・経年比較で頑健性を確認

📝 まとめ：DBSCAN を使う前に確認すべきこと

• データの規模：47 都道府県なら DBSCAN で十分。 数億ならサンプリングか cuML
• 次元数：<10 ならそのまま、 >20 なら PCA / UMAP で次元削減
• 密度の均一性：不均一なら HDBSCAN を推奨
• クラスタの形状：球状とは限らないとき DBSCAN の真価が出る
• 外れ値の扱い：noise 判定が欲しいなら DBSCAN、 全点割当てなら K-means
• 解釈性：ドメイン知識との対話が重要
• 再現性：パラメータ・前処理・データ順序を記録

DBSCAN は適切に使えば本当に強力な手法です。 SSDSE-B-2026 を題材に、 自分の手で何度も実行することが、 真の習得への近道です。

🚨 異常検知パイプラインとしての DBSCAN 活用

SSDSE のような統計データに限らず、 業務システムの異常検知でも DBSCAN は強力：

1. ① ベースラインデータ：正常時の特徴量を 1 ヶ月分収集
2. ② DBSCAN 学習：標準化 → DBSCAN で密集領域を「正常パターン」と定義
3. ③ 新データ判定：新着点の k 近傍距離を測り、 eps を超えたら異常フラグ
4. ④ アラート：閾値超えで通知、 ダッシュボード更新
5. ⑤ フィードバック：誤検知を集めて閾値・特徴量を改善
6. ⑥ モデル更新：四半期ごとに新しい正常パターンで再学習

📈 拡張ケース：SSDSE 12 年経時データの分析

SSDSE-B-2026 の 12 年分（2012-2023）を時間スライスごとに DBSCAN し、 都道府県の「クラスタ系列」を作る分析：

1. ① データ準備：12 年 × 47 県 = 564 行を Year ごとに 12 セットに分割
2. ② 各年で DBSCAN：同じ eps、 min_samples で実行（比較可能性のため）
3. ③ クラスタの対応付け：年間でクラスタ番号は変わるので、 重心の最近傍で対応
4. ④ Sankey 図で可視化：都道府県のクラスタ遷移を流れ図で表示
5. ⑤ 安定県・変動県の特定：12 年同じクラスタ＝安定、 複数遷移＝変動
6. ⑥ 解釈：「○○県は 2018 年以降ノイズ化」「△△県は安定的に中規模クラスタ」

🎨 可視化ツール集

• matplotlib：標準的散布図。 すべての基本
• seaborn：美しいデフォルト、 ペアプロットも便利
• plotly：インタラクティブ。 ホバーで都道府県名表示
• folium：地図ベース可視化。 緯度経度ベースのクラスタ表示
• japanmap：日本地図塗り分け。 都道府県別クラスタ可視化に最適
• umap-learn：高次元から 2D 圧縮、 DBSCAN 結果と組合せ
• HDBSCAN dendogram：階層構造の樹形図
• OPTICS reachability plot：到達可能性距離の谷分析

🌲 HDBSCAN アルゴリズムの概要

HDBSCAN は DBSCAN を「複数の eps で同時実行」した結果を階層化したもの：

1. ① 相互到達可能距離の計算：core_distance を考慮した距離行列。
2. ② 最小スパニングツリー (MST) 構築。
3. ③ MST から階層クラスタツリーを生成。
4. ④ 安定性が最大のクラスタを抽出：各クラスタの「存続期間」をスコアリング。
5. ⑤ 確率付きで各点を割当。

SSDSE-B-2026 47 都道府県では min_cluster_size=3 程度を起点に試すと、 DBSCAN より安定したクラスタが得られることが多いです。

🔬 OPTICS アルゴリズムの擬似コード

OPTICS は eps を 1 つに固定せず、 「到達可能性距離」で全点を順序付けることで、 任意の eps に対応できる点で DBSCAN を超えています：

OPTICS(D, eps, MinPts):
  for each point p in D:
    p.reachability = UNDEFINED
  ordered_list = []
  for each unprocessed point p:
    Neighbors = regionQuery(p, eps)
    p.processed = TRUE
    ordered_list.append(p)
    if core_distance(p, eps, MinPts) != UNDEFINED:
      seeds = empty priority queue
      update(Neighbors, p, seeds)
      while seeds is not empty:
        q = seeds.pop_min()
        Neighbors' = regionQuery(q, eps)
        q.processed = TRUE
        ordered_list.append(q)
        if core_distance(q, eps, MinPts) != UNDEFINED:
          update(Neighbors', q, seeds)
  return ordered_list  // 各点の到達可能性距離付き

結果として得られる「reachability plot」を見ると、 谷の数 = クラスタ数、 谷の深さ = クラスタの密度が一目瞭然です。

🧮 密度推定の数学的背景

DBSCAN の局所密度概念は、 確率密度関数 $p(x)$ のカーネル密度推定 (KDE) と等価です：

$$\hat{p}(x) = \frac{1}{n h^d} \sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right)$$

ここで $K$ はカーネル関数、 $h$ はバンド幅、 $d$ は次元数。 DBSCAN の eps は KDE の $h$ に相当し、 min_samples は閾値 $\theta$ に対応します。 局所密度が閾値を超える領域＝クラスタ、 という単純なルールが、 DBSCAN の数学的根拠です。

HDBSCAN ではこの $\theta$ を連続的に変化させて階層構造を抽出。 統計的に「確率密度の上位レベル集合」の階層を取り出すことに対応します。

🗾 日本のデータ分析事例

• 地方創生：内閣府の地方経済分析システム（RESAS）でも、 都道府県・市町村の類型化に密度ベースの考え方が応用されている
• 都市計画：東京・大阪の駅周辺密集地の DBSCAN による商業集積分析
• 農業：農林水産省の作物産地分析で、 緯度経度ベースの密度クラスタリング
• 観光：JTB / JR のビッグデータで観光客の滞在パターン解析
• 選挙：得票率と社会経済指標を組み合わせた選挙区類型化（学術研究）

🚦 SSDSE-B-2026 で DBSCAN を実行する完全コードフロー（説明）

本ページ「🐍 Python 実装」の数行コードを補足する詳細フロー：

1. pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]) で読み込み
2. 必要列を選択：df[['Prefecture','A1101','B1101','I521101']]
3. 標準化：from sklearn.preprocessing import StandardScaler; X = StandardScaler().fit_transform(df.drop('Prefecture', axis=1))
4. k-distance graph：from sklearn.neighbors import NearestNeighbors; nbrs = NearestNeighbors(n_neighbors=5).fit(X); dist, _ = nbrs.kneighbors(X); import matplotlib.pyplot as plt; plt.plot(sorted(dist[:,-1]))
5. eps 決定：肘から例えば 1.0
6. DBSCAN：from sklearn.cluster import DBSCAN; labels = DBSCAN(eps=1.0, min_samples=5).fit_predict(X)
7. 結果保存：df['cluster'] = labels; df.to_csv('outputs/ssdse_clusters.csv', index=False)
8. 可視化：plt.scatter(X[:,0], X[:,1], c=labels) で散布図、 都道府県名を annotate

💬 拡張 FAQ

🏃‍♂️ 競技で勝つための DBSCAN 活用

統計・データ解析コンペティションで DBSCAN を使った分析を成功させるコツ：

1. ① 仮説駆動：「○○指標で△△な県を発見したい」と先に仮説。 結果論にしない。
2. ② 複数手法併用：DBSCAN 単独ではなく K-means、 HDBSCAN とも比較。 結論の頑健性を主張。
3. ③ 経年比較：SSDSE の 12 年分を使い、 クラスタの安定性 / 遷移を分析。
4. ④ ノイズの掘り下げ：「ノイズは失敗ではなく発見」。 個別事情を 1 つずつ説明。
5. ⑤ 可視化品質：日本地図 + 散布図 + 樹形図（HDBSCAN）で多角的に。 タイトルに結論を書く。
6. ⑥ 政策示唆：「地域類型ごとに別戦略」など、 実務にどう繋がるかを明示。
7. ⑦ 再現性：GitHub にコード + データ処理手順を公開、 採点者が追試できるように。

⚠️ 落とし穴拡張版（DBSCAN 中級者の罠）

• 罠 A：パラメータグリッドサーチ：eps × min_samples の総当りでシルエットスコア最大値を選ぶと、 解釈不可能なクラスタになることが多い。 k-distance graph + ドメイン解釈で決めるべし。
• 罠 B：データ重複の影響：完全に同じ座標の重複点があると、 そこは密度無限大になり予想外の結果に。 事前に drop_duplicates()。
• 罠 C：境界点の不安定さ：DBSCAN は境界点を「先に到達したクラスタに割当」。 入力順序で境界点が変わる。 解釈時は境界点を「曖昧」と扱う。
• 罠 D：相関の高い変数を多重投入：人口・男性人口・女性人口を全部使うと、 距離が「人口」だけで支配される。 1 つに絞るか PCA。
• 罠 E：時間と空間の混合：SSDSE-B の Year と座標を同じ DBSCAN にかけると単位が違って意味なし。 ST-DBSCAN で時空間別 eps を使う。

📚 SSDSE-B 系研究での DBSCAN 利用文献

• 地域経済研究：「47 都道府県の経済構造の類似性に基づくクラスタリング」（DBSCAN を含む比較研究）
• 地理情報研究：「都市計画における密度ベースクラスタリングの適用」
• 公衆衛生研究：「医療資源の地域的分布と過疎クラスタの定量分析」
• 農業経済：「第 1 次産業従事率と人口動態の地域パターン分析」
• 教育格差：「都道府県別の教育機会と地域類型化研究」

これらは仮想的な研究テーマ例ですが、 SSDSE-B-2026 を用いた論文・卒業研究で DBSCAN が活用される典型的場面です。

🔭 最新クラスタリング手法との位置づけ

• vs Spectral Clustering：DBSCAN は局所密度、 Spectral はグラフラプラシアン。 形状柔軟性は同等だが Spectral は事前に k 指定が必要。
• vs Affinity Propagation：AP はメッセージパッシングでクラスタ中心を発見。 SSDSE 47 県でも 6-8 クラスタになることが多く、 DBSCAN より細かい。
• vs Mean Shift：Mean Shift は密度峰を辿る。 DBSCAN と発想は近いが、 結果は連続的（バンド幅依存）。
• vs Deep Embedded Clustering (DEC)：オートエンコーダで学習した埋め込み空間で K-means。 高次元データで DBSCAN より精度が出ることがある。
• vs BIRCH：BIRCH は階層 + 増分。 ストリーミングに強いが球状仮定があり DBSCAN ほど形状柔軟ではない。

📆 経年クラスタリング：SSDSE 多年版

SSDSE-B-2026 は 2012-2023 の 12 年分を含む。 各年で独立に DBSCAN し、 都道府県のクラスタ遷移を追跡することで、 「地域構造の変化」が見える：

• ① 2012 → 2023 の遷移：地方県 → 過疎県への流入が観察されるか
• ② 大都市圏の拡張：埼玉・千葉・神奈川が東京クラスタに近づく動き
• ③ クラスタ消滅：かつての中核都市が単独ノイズ化する事例
• ④ 経年安定県：12 年通じて同クラスタを維持する県の特徴

経年クラスタ遷移は地方政策の効果検証にも使えます。 「2020 年の移住支援強化以降、 過疎クラスタから抜けた県があるか」など、 政策評価の根拠データに。

🚀 上級トピック：研究フロンティア

• ① Deep DBSCAN：オートエンコーダで埋め込み学習 → DBSCAN。 画像・テキストでクラスタ抽出。
• ② DBSCAN on Graphs：グラフデータの密度クラスタリング。 SNS ネットワークでコミュニティ抽出。
• ③ Federated DBSCAN：データを集約せずに分散環境でクラスタリング。 プライバシー保護。
• ④ Streaming DBSCAN：到着するデータを逐次処理。 IoT センサ・金融取引に。
• ⑤ Subspace DBSCAN：高次元の部分空間でクラスタを発見。 高次元のジレンマ解決。
• ⑥ Multi-View DBSCAN：複数の視点（変数集合）から同時にクラスタリング、 整合性を強制。
• ⑦ Quantum DBSCAN：量子コンピューティングによる高速化研究（萌芽段階）。

🎓 学習ロードマップ

1. Week 1：本ページ通読 + sklearn DBSCAN を SSDSE-B で実行
2. Week 2：K-means、 階層的クラスタリングとの比較、 シルエットスコア計算
3. Week 3：k-distance graph で eps 決定、 パラメータ感度分析
4. Week 4：HDBSCAN を試す、 比較表を自分で作成
5. Week 5：オリジナル論文 (Ester 1996) を読む
6. Week 6：自分のデータ（業務 or 趣味）に適用
7. Week 7：可視化を磨く、 BIツールに統合
8. Week 8：論文・レポート作成、 ピアレビュー

🛤 完全パイプライン：データ取得から結果報告まで

1. ① データ取得：SSDSE-B-2026.csv を 統計センター から DL、 data/raw/ に配置。
2. ② 探索的分析（EDA）：df.describe() で分布確認、 ペアプロットで関係性を把握。
3. ③ 変数選択：分析目的に応じて 3-7 変数を選ぶ。 多重共線性を VIF で確認。
4. ④ 前処理：欠損補完、 対数変換（必要なら）、 RobustScaler 標準化。
5. ⑤ k-distance graph：eps の候補値を視覚的に決定。
6. ⑥ DBSCAN 実行：複数 eps で試行、 結果の比較。
7. ⑦ 評価：シルエット、 DBCV、 ドメイン解釈で総合判断。
8. ⑧ HDBSCAN との比較：別アプローチでも同様の構造が出るか確認。
9. ⑨ 可視化：散布図、 都道府県名アノテーション、 日本地図塗り分け。
10. ⑩ 報告：上記テンプレに従って文書化、 ピアレビューを受ける。

📑 レポートテンプレート（DBSCAN 結果の文書化）

DBSCAN 結果を論文・レポートに書くときの定型：

1. データ

使用：SSDSE-B-2026 / 期間：2023 年 / 観測数 n=47 / 特徴量 p=5（人口・面積・所得・医師数・失業率）。

2. 前処理

欠損なし。 RobustScaler で標準化。 多重共線性確認（VIF<5）。

3. パラメータ決定

k-distance graph（k=10）で eps=1.0 を採用。 min_samples=5（次元数×1）。

4. 結果

3 クラスタ（n=20, 14, 8）+ ノイズ 5 件を抽出。 シルエットスコア=0.34、 DBCV=0.42。

5. 解釈

各クラスタの特徴を表で示し、 政策示唆を 3 点。 ノイズ県は個別事情を説明。

6. 限界

2023 年単年。 5 指標のみ。 DBSCAN は形状自由だが eps 感度あり。 経年変化や別指標での再検証が必要。

7. 再現性

scikit-learn 1.4 / Python 3.11 / 入力データの行は county_code 昇順固定。

🇯🇵 SSDSE-B-2026 で見える「47 都道府県の地図」

DBSCAN を実行すると現れる典型的クラスタ構造の解釈：

クラスタ A（首都圏・近畿圏の大都市）

東京・神奈川・大阪・愛知・埼玉・千葉・兵庫。 人口密度が高く、 第 3 次産業比率が高い。 ただし東京は人口で突出してノイズ判定されることが多い。

クラスタ B（地方中核都市群）

北海道（札幌中心）・宮城・新潟・静岡・京都・広島・福岡。 県人口 200-500 万、 県庁所在地に機能集中。

クラスタ C（中規模県）

群馬・栃木・茨城・岐阜・三重・岡山・熊本など。 人口 100-200 万、 地方都市と農業のミックス。

クラスタ D（小規模県）

島根・鳥取・徳島・高知・佐賀・福井・山梨など。 人口 100 万以下、 高齢化進行。

ノイズ群

東京（巨大）、 沖縄（離島）、 北海道（広大な面積）など、 単独で「外れ」になる県。

これらは恣意的な分類ではなく、 SSDSE-B-2026 の客観的な数値から DBSCAN が自動抽出する構造です。 政策議論の土台に使えます。

🌳 密度ベース手法ファミリー全体像

• DBSCAN (1996)：オリジナル。 固定 eps と min_samples。
• OPTICS (1999)：eps 不要、 到達可能性距離で順序付け、 任意 eps で事後切り出し。
• DENCLUE (1998)：カーネル密度関数の極大点をクラスタ中心に。
• CLIQUE (1998)：高次元用。 部分空間でクラスタを探す。
• HDBSCAN (2013)：階層的 DBSCAN、 最も汎用的で実務推奨。
• DBSCAN++（2019）：サンプリングで定数倍高速化。
• Theoretical DBSCAN：確率密度推定との統計的等価性を厳密化した研究系。

📊 SSDSE-B-2026 におけるアルゴリズム別結果比較

47 都道府県を 5 指標でクラスタリングしたときの、 各アルゴリズムの典型的結果：

SSDSE-B-2026 のような外れ値県を含む小規模データでは、 DBSCAN・HDBSCAN がノイズ判定で本質を捉えます。 解釈性と理論的根拠を兼ね備えた手法選択を。

🏗 大規模データ運用戦略

SSDSE-B-2026 は楽勝ですが、 顧客ログ 1 億行などでは戦略が必要：

✅ DBSCAN 実行前チェックリスト

• □ 標準化または正規化は済んでいるか
• □ 欠損値は処理済みか
• □ 高次元（次元 ≥ 20）なら次元削減を検討したか
• □ カテゴリ変数は数値化済みか
• □ 距離尺度は適切に選んだか
• □ k-distance graph で eps を決定したか
• □ min_samples は次元数×2 程度を起点に試したか
• □ 結果のシルエットスコア／DBCV を確認したか
• □ クラスタの解釈は試みたか
• □ HDBSCAN / OPTICS との結果比較は行ったか
• □ パラメータ感度（eps±20%）を確認したか
• □ 再現性（バージョン・パラメータ）を記録したか

💼 実務 Tips：チームでの DBSCAN 運用

• Tip 1：パラメータをハードコードせず YAML / JSON で管理。 dvc / mlflow で実験追跡。
• Tip 2：k-distance graph は必ず PR / 報告書に添付。 「なぜこの eps か」の根拠提示。
• Tip 3：DBSCAN の結果は順序依存。 入力行を必ず同じ順にソート（例：県コード昇順）。
• Tip 4：ノイズ判定された点を別途分析するルーチンを作る。 異常検知用途で別ラインに送る。
• Tip 5：「クラスタ番号」を業務に直接使わない。 都度の DBSCAN 実行で番号が変わるため、 代表点（重心）でマッピング。
• Tip 6：複数手法（K-means, DBSCAN, HDBSCAN）で結果を比較し、 一致するクラスタを「信頼できる」ものとする。
• Tip 7：DBSCAN は「探索的分析」の道具。 最終判断には他の手法・ドメイン知識を併用。

🧠 理論的背景：密度推定との関連

DBSCAN は本質的にカーネル密度推定 (KDE) の離散版と見なせます。 KDE では各点周りにガウシアン等を置いて連続密度関数を構成しますが、 DBSCAN は eps 半径の「箱」を置き、 箱内の点数で局所密度を測ります。 局所密度が閾値（min_samples / 体積）を超える領域が「クラスタ」と判定されるわけです。

HDBSCAN はこの「閾値」を連続的に変化させ、 階層的にクラスタ構造を抽出することで、 DBSCAN の固定 eps の弱点を克服しています。 統計的にはパーシステントホモロジーと呼ばれる位相幾何学とも関連が深く、 「データの形」を抽出する技術として理論研究が続いています。

🎯 包括的事例：SSDSE-B-2026 で「過疎県」を自動定義

地方創生の政策ターゲットを定量的に決める想定の事例：

目的

「過疎県」を客観的に定義したい。 主観的に「東北 4 県」と決めるのではなく、 複数指標から DBSCAN で自動同定。

変数選択

• 人口（A1101）：基本サイズ指標
• 人口変化率（前年比）：人口減少の度合い
• 第 1 次産業従事者率：産業構造
• 高齢者率（A5103 など）：高齢化度
• 所得（県民所得）：経済力

手順

1. SSDSE-B-2026 から該当列抽出、 標準化（RobustScaler 推奨）
2. k-distance graph で eps を決定（おおむね 1.0〜1.2）
3. DBSCAN(eps=1.0, min_samples=4) を実行
4. 結果は通常 2-3 クラスタ + ノイズ 5-8 件
5. 「人口減少率が高い・高齢化率が高い・所得が低い」クラスタを「過疎県群」と命名
6. ノイズに分類された県は個別事情（離島、 大都市等）を別途調査

政策示唆

過疎県群（10-15 県）には移住支援・地域おこし協力隊・遠隔医療など共通支援、 ノイズ県（北海道、 沖縄等）には個別最適化された政策を適用、 という二段階アプローチが可能に。

📝 テキストデータへの DBSCAN 応用

文書クラスタリングに DBSCAN を使う手順：

1. ① 文書埋め込み：TF-IDF（古典）か Sentence-BERT（現代）。 SSDSE 関連の論文を集めて Embedding。
2. ② 次元削減：UMAP で 2-10 次元に圧縮。
3. ③ DBSCAN or HDBSCAN：Cosine 距離で実行。 トピッククラスタが現れる。
4. ④ クラスタ命名：各クラスタの代表文書を読んでトピック名を付ける。 c-TF-IDF で自動候補抽出も。
5. ⑤ BERTopic：上記をパッケージ化したライブラリ。 1 行で文書トピック抽出可能。

🧭 DBSCAN が向かない場合の代替

• クラスタ数を厳密に指定したい → K-means、 階層的（dendrogram カット）
• 確率付き割当て → Gaussian Mixture Model (GMM)、 HDBSCAN
• 異常スコアが欲しい → Isolation Forest、 LOF
• 高次元（次元 ≥ 20） → UMAP + HDBSCAN、 SubspaceClustering
• 密度差が極端 → HDBSCAN、 OPTICS
• ストリーミングデータ → DenStream、 ClusterStream
• カテゴリ変数主体 → K-modes、 ROCK

🔁 クラスタの安定性検証

1 回の DBSCAN 結果を信じすぎず、 安定性を検証する手順：

1. ① ブートストラップ：47 県から復元抽出で 100 回サンプリング、 各回の結果を比較。
2. ② 摂動分析：データに小さなノイズを加えて再実行。 結果が大きく変わるなら不安定。
3. ③ パラメータグリッド：eps を ±20% 動かし、 クラスタ構造が頑健か確認。
4. ④ Jaccard 指標：複数回の結果で同じクラスタに入る確率を計算、 安定度指標に。
5. ⑤ 経年比較：SSDSE-B-2026 を 2020 / 2021 / 2022 / 2023 でそれぞれ DBSCAN、 経年でクラスタが変動するか観察。

🗺 GPS・時空間データでの DBSCAN

DBSCAN が最も活躍するのは GPS 軌跡データの分析。 SSDSE-B-2026 とは別領域ですが、 学んでおくと応用力が上がります：

• ① 滞在地検出：GPS ログを Haversine 距離で DBSCAN、 密集した点を「滞在地」と判定。
• ② 移動経路の集約：1 万本の経路を時空間 DBSCAN（ST-DBSCAN）で共通経路パターンに集約。
• ③ 事故多発地点：交通事故座標を DBSCAN、 集中している地点を炙り出す。
• ④ 観光行動分析：観光客の滞留点を DBSCAN、 主要観光スポットを自動同定。

SSDSE 47 都道府県の緯度経度を Haversine 距離で DBSCAN しても面白い実験になります。

🎯 評価指標：シルエットスコア vs DBCV

シルエットスコアは K-means などの球状クラスタを前提にしているため、 DBSCAN の任意形状クラスタを正当に評価できないことがあります。 DBCV（Density-Based Clustering Validation）が密度ベース手法に特化した評価指標で、 HDBSCAN 論文と同時期に提案されました。

SSDSE-B-2026 のような小規模データでは、 シルエットも DBCV も両方計算してみて、 ドメイン解釈と整合する方を採用するのが実用的。

💡 クラスタ結果の意味づけ

「3 クラスタ + ノイズ」が出たとして、 そこから示唆を引き出す手順：

1. ① 各クラスタの統計サマリ：df.groupby(cluster).describe() で平均・分散・中央値を確認。
2. ② 特徴的な変数を特定：クラスタ間で大きく差が出る変数を抽出（F 検定や Effect size）。
3. ③ クラスタにラベル付け：「大都市群」「過疎県群」「中規模県群」など意味のある名前を付ける。
4. ④ ノイズの個別解釈：「東京は人口が突出」「沖縄は離島で所得低」など、 ノイズ点 1 つずつ理由を述べる。
5. ⑤ 政策示唆：「過疎クラスタには移住支援」「ノイズ東京には混雑対策」など、 実効的な提言に。
6. ⑥ 限界の明示：「2023 年単年のデータ」「5 指標のみ」「DBSCAN のパラメータ依存」など、 結論の射程を明確に。

📚 主要ライブラリの DBSCAN 実装

📖 SSDSE-B-2026 と DBSCAN の親和性

本サイトの題材 SSDSE-B-2026 は都道府県 × 年次 × 130 指標の小規模だが情報密度の高いデータです。 DBSCAN がここで効く理由：

• ① 47 サンプル：n=47 は K-means の k=3 などとも合いやすいが、 DBSCAN なら自動でクラスタ数決定。
• ② 異質な大都市：東京・大阪・北海道などが外れ値県。 K-means だと無理に押し込まれるが、 DBSCAN は noise 判定で「外れ」を明示できる。
• ③ 解釈可能性：地理的・社会的なグルーピングが結果に反映されやすい。
• ④ 政策提言：「人口減少クラスタ」「医療不足ノイズ」など、 政策対象としてグループ分けが直接使える。
• ⑤ 教育素材：データ可視化の典型例として、 学生に DBSCAN の挙動が理解しやすい。

🆚 DBSCAN と HDBSCAN の徹底比較

HDBSCAN は DBSCAN の改良版で、 SSDSE-B のような密度が不均一なデータに圧倒的に強い：

🪤 実プロジェクトで出会う 8 つの罠

1. ① クラスタが分かれすぎる：eps を少し大きく。 min_samples を少し小さく。
2. ② 全部 1 クラスタ：eps が大きすぎ。 k-distance graph を見直す。
3. ③ ノイズが多すぎる：データに本当にクラスタ構造があるか疑う。 PCA で目視確認。
4. ④ クラスタが意味不明：標準化前に対数変換が必要かも。 ドメイン知識で変数選択を見直す。
5. ⑤ 大量データで遅い：cuML や HDBSCAN を検討。 サンプリングで近似。
6. ⑥ 結果が再現しない：データの行順序が変わると境界点割当てが微変動。 順序を固定。
7. ⑦ 評価指標が高くならない：シルエットスコアは球状仮定。 DBCV を使う。
8. ⑧ 新データ追加で再学習が必要：DBSCAN は predict なし。 HDBSCAN の approximate_predict を使う。

🧹 前処理が結果を左右する

DBSCAN は前処理の質に強く依存します。 SSDSE-B-2026 で守るべき手順：

1. ① 欠損値処理：DBSCAN は NaN を受け付けない。 列平均補完、 KNN 補完、 または欠損のある県を削除。
2. ② 外れ値の検討：標準化前に対数変換（人口など右に裾を引く分布に有効）。 np.log1p(A1101)。
3. ③ スケーリング：StandardScaler（平均0・分散1）または RobustScaler（中央値・IQR）。 外れ値が多いなら Robust。
4. ④ カテゴリ変数：region などは One-hot 化、 または Gower 距離を使う。
5. ⑤ 多重共線性：相関の高い変数（人口と男性人口など）は片方を除く。
6. ⑥ 単位変換：「人口 10 万人当たり」などの相対化で大都市バイアスを軽減。
7. ⑦ 重み付け：重要な変数を 2 倍するなど、 ドメイン知識で重み付け。

👻 次元の呪いと対処法

DBSCAN（および距離ベース手法全般）は高次元で性能が劣化します。 数学的な理由：

$d$ 次元空間でランダムな 2 点間のユークリッド距離は、 平均が $\sqrt{d}$、 標準偏差はほぼ一定。 つまり次元が増えるほど「全部の点が似たような距離」になり、 密度の濃淡が消えます。 SSDSE-B-2026 の 130 列全部を使うのは典型的な失敗例。

• 対処 1：PCA：主成分分析で寄与率 80-90% を確保しつつ次元削減。 SSDSE なら 5-10 次元に。
• 対処 2：UMAP / t-SNE：非線形次元削減で 2 次元に圧縮、 そのまま DBSCAN。 単一細胞解析で標準。
• 対処 3：特徴選択：相関の高い変数を除く、 分散の小さい変数を除く。
• 対処 4：距離尺度変更：高次元では Mahalanobis や Cosine の方が良いことがある。
• 対処 5：HDBSCAN を使う：DBSCAN より高次元に強い。

♻️ 再現性確保のチェックリスト

• □ scikit-learn のバージョンを記録（sklearn.__version__）
• □ 標準化スケーラ（StandardScaler etc）も記録
• □ eps, min_samples, metric を明示
• □ 入力データの行順序を固定（DBSCAN は順序に弱依存）
• □ 欠損補完方法を記録
• □ 特徴量選択ロジックを記録
• □ k-distance graph を保存（eps 選択根拠として）
• □ シルエット・DBCV など評価値を併記

🎨 DBSCAN の派生・拡張アルゴリズム

• ① ST-DBSCAN（時空間 DBSCAN）：時間と空間の 2 つの eps を使う。 GPS 軌跡データの「同じ場所で同じ時間帯」を検出。
• ② GDBSCAN（Generalized DBSCAN）：任意の近傍関数と密度関数を許容。 グラフデータにも適用可能。
• ③ DenStream：ストリームデータ用 DBSCAN。 メモリに全データを保持せずクラスタリング。
• ④ DBSCAN++：サンプリングで超大規模データに対応。
• ⑤ Fast DBSCAN：近似アルゴリズムで定数倍高速化。
• ⑥ Grid-based DBSCAN：空間をグリッド分割して各セル単位で密度判定。

📈 結果可視化の具体テクニック

1. ① クラスタ別カラーマップ：matplotlib の tab10 や Set2。 ノイズは黒×でマーキング。
2. ② 都道府県名アノテーション：散布図に plt.annotate(prefecture, (x, y))。 重なる場合 adjust_text で自動調整。
3. ③ クラスタ重心の表示：各クラスタの平均位置に星印を打つと、 クラスタ間の関係性が見える。
4. ④ ノイズだけハイライト：ノイズ点を大きい星マーカーで強調、 「外れている県」を視覚的に強調。
5. ⑤ 確率密度の等高線：seaborn の kdeplot で背景に密度等高線を重ねると、 「なぜここがクラスタか」が一目瞭然。
6. ⑥ インタラクティブ可視化：plotly で散布図、 ホバーで都道府県名表示。
7. ⑦ 日本地図塗り分け：japanmap で 47 都道府県をクラスタ番号で色分け。 地理的傾向が明確に。

🔍 DBSCAN vs Isolation Forest（異常検知比較）

外れ値検出という観点で、 DBSCAN と Isolation Forest を比較：

📊 SSDSE-B-2026 完全解析例

47 都道府県を 5 つの指標（人口・面積・所得・医師数・失業率）で密度クラスタリングする実例：

準備

SSDSE-B-2026 から該当年（2023）のデータを抽出、 欠損のない 47 行を確保。 標準化（StandardScaler）。

k-distance graph

k=10（次元数 × 2）で実行、 ソートしてプロット。 約 1.0 あたりに肘が現れる。 eps=1.0 を採用。

DBSCAN 実行

DBSCAN(eps=1.0, min_samples=5)。 結果は概ね 3 クラスタ + ノイズ 5-7 件になる：

• クラスタ 0（中規模県）：宮城・新潟・岐阜・三重・京都・岡山・広島・福岡など 20-25 県
• クラスタ 1（小規模県）：島根・鳥取・徳島・高知・佐賀など 10-15 県
• クラスタ 2（大都市圏）：神奈川・大阪・愛知・埼玉・千葉
• ノイズ：東京（巨大）、 北海道（広大）、 沖縄（離島・所得低）

K-means k=4 と比較すると、 DBSCAN は東京を強引にどこかに入れずノイズとして識別する点で優位。 地理学的な異質性が自動で見える化されます。

🔬 実際の研究での DBSCAN 利用例

• ① 気象学：レーダ反射強度の高い領域を密度ベースで抽出。 雷雲・降雨域の検出。
• ② 地震学：余震の震源を時空間クラスタリング。 ノイズが本震・前震の検出に。
• ③ 天文学：銀河の星団検出。 ノイズが偽検出星を排除。
• ④ ゲノミクス：DNA メチル化パターンの類似性で遺伝子をグルーピング。
• ⑤ 単一細胞解析（scRNA-seq）：UMAP + HDBSCAN が標準。 数万細胞のサブタイプ自動同定。
• ⑥ 都市計画：SSDSE-B 類似の地域指標で都市類型を抽出、 政策立案へ。
• ⑦ サイバーセキュリティ：ネットワーク通信ログをクラスタリング、 異常通信を発見。
• ⑧ レコメンデーション：ユーザーの行動履歴をクラスタリングし、 ペルソナごとの推薦戦略を変える。

🛠 実装上の Tips

1. ① algorithm パラメータ：通常は 'auto'。 高次元なら 'brute'、 低次元なら 'kd_tree' or 'ball_tree'。
2. ② n_jobs=-1：近傍探索の並列化（一部の処理のみ）。
3. ③ leaf_size：KD-tree のリーフサイズ。 メモリ vs 速度のトレードオフ。
4. ④ メモリ節約：100 万点超なら sparse 距離行列、 または cuML / HDBSCAN を使用。
5. ⑤ 乱数シード不要：DBSCAN は決定論的アルゴリズム。 K-means と違って再現性は標準確保。
6. ⑥ predict が無い：DBSCAN は fit_predict のみ。 新点には別途近傍判定が必要。
7. ⑦ 結果の安定性：データ順序に弱依存。 ソート方法を変えると境界点の割当てが微変動。

📐 k-distance graph による eps 決定法（詳細）

DBSCAN 成功の 80% は eps 選択に左右されます。 標準的な手順：

1. ① k = min_samples を選ぶ（例：4）
2. ② 全点に対し k 番目最近傍距離を計算。 sklearn の NearestNeighbors(n_neighbors=k).kneighbors(X) で得られる。
3. ③ ソートしてプロット。 x 軸 = 点のインデックス（距離降順）、 y 軸 = k 番目最近傍距離。
4. ④ 「肘 (knee)」を視覚で特定。 曲線が急に立ち上がる場所。 そこが eps の良い候補。
5. ⑤ 自動肘検出：kneed ライブラリの KneeLocator。 curve='convex', direction='increasing'。
6. ⑥ 周辺で試行：肘の前後 ±20% で複数試し、 シルエットや解釈可能性で比較。

SSDSE-B-2026 の 47 都道府県を標準化後、 k=4 で k-distance graph を描くと、 通常 0.8〜1.2 あたりに肘が現れます。 この近辺で eps を試すのが安定。

📊 クラスタリング品質の評価指標

📅 DBSCAN の歴史と背景

• 1996：Ester らが KDD 国際会議で DBSCAN を発表。 同年の "Test of Time Award" (2014) を受賞する歴史的論文。
• 1999：OPTICS が発表され、 eps パラメータ依存の問題を解決。
• 2007：DBSCAN がオープンソース ELKI に実装され、 アカデミア標準に。
• 2011：scikit-learn 0.10 に DBSCAN が組み込まれ、 一気に普及。
• 2013：HDBSCAN が登場、 密度不均一データへの解決策に。
• 2017：UMAP + HDBSCAN の組合せが単一細胞解析で標準化、 生命科学で爆発的活用。
• 2020 以降：地理空間・IoT・サイバーセキュリティで適用範囲拡大。

⚡ 大規模データへの拡張

SSDSE-B-2026 の 47 都道府県は楽勝ですが、 数十万〜数億点になると工夫が必要：

• ① 空間索引：KD-tree、 Ball tree、 R-tree。 scikit-learn は algorithm='auto' で自動選択。
• ② サブサンプリング：1% サンプリングで DBSCAN し、 残りを近傍割当てで補完。
• ③ 並列化：n_jobs=-1 で並列実行。 ただし scikit-learn 実装は単一プロセス。
• ④ GPU 実装：cuML（RAPIDS）の cuml.DBSCAN で 10-100 倍高速化。
• ⑤ MapReduce 系：Spark MLlib にも実装あり。 数億点でも数分で完了。
• ⑥ 近似手法：LSH（Locality-Sensitive Hashing）で近傍検索を高速化。

🧬 DBSCAN アルゴリズムの内部動作（疑似コード）

1996 年に Martin Ester らが発表した DBSCAN のオリジナルアルゴリズムを擬似コードで再構成：

DBSCAN(D, eps, MinPts):
  C = 0  // クラスタ番号
  for each point P in D:
    if P is visited: continue
    mark P as visited
    Neighbors = regionQuery(P, eps)
    if |Neighbors| < MinPts:
      mark P as NOISE
    else:
      C = C + 1
      expandCluster(P, Neighbors, C, eps, MinPts)

expandCluster(P, Neighbors, C, eps, MinPts):
  add P to cluster C
  for each point P' in Neighbors:
    if P' is not visited:
      mark P' as visited
      Neighbors' = regionQuery(P', eps)
      if |Neighbors'| >= MinPts:
        Neighbors = Neighbors ∪ Neighbors'
    if P' is not yet in any cluster:
      add P' to cluster C

SSDSE-B-2026 の 47 都道府県を眺めながら動作を追うと、 「ある県をシードに密度連結でクラスタが成長していく」過程が直感的に理解できます。 visited フラグで O(n) を保証し、 regionQuery が KD-tree なら全体で O(n log n)。

🌊 密度とは何か：3 種類の点の定義

📏 距離尺度の選び方

DBSCAN の metric 引数で距離関数を変えられます。 デフォルトはユークリッド距離ですが、 用途で使い分けを：

• Euclidean：標準。 連続値・標準化済みデータに最適。 SSDSE-B-2026 の数値指標はこれ。
• Manhattan：軸に沿った距離。 順序尺度・カテゴリの混合データに。
• Cosine：方向のみ比較。 テキスト埋め込み・正規化済みベクトルに。
• Haversine：地球表面上の距離。 GPS データに必須。
• Mahalanobis：共分散を考慮。 相関がある特徴量で有効。
• Gower：数値とカテゴリの混合データ用。 scikit-learn にはないので手書きまたは gower パッケージ。

🔬 数式を言葉で読み解く（拡張）

DBSCAN は密度という概念を「点 p から半径 $\varepsilon$（eps）内に min_samples 個以上の他点が存在する」と定義します。 この条件を満たす点をコア点 (core point)、 コア点の $\varepsilon$ 近傍にあるがコア条件を満たさない点を境界点 (border point)、 どちらでもない点をノイズ (noise) と呼びます。 47 都道府県を 2 つの標準化済み指標（例：人口・面積）でプロットしたとき、 中規模県が集まる「真ん中の塊」がコア点群となり、 東京や鳥取のような外れた点はノイズ判定されやすい、 というわけです。

形式的には、 点 $q$ が点 $p$ から「密度直接到達可能」 (directly density-reachable) であるとは、 $q \in N_\varepsilon(p)$ かつ $p$ がコア点であること。 「密度到達可能」 (density-reachable) は、 中間にコア点を介して連鎖的に到達できる関係で、 これにより 1 つのクラスタが伸びていきます。 さらに「密度連結」 (density-connected) とは、 ある共通のコア点を介して 2 点が密度到達可能であることを意味します。 1 つのクラスタは「密度連結同値類」として定義され、 K-means のような球状仮定なしで任意の形状を抽出できるのが DBSCAN の本質的優位性です。

計算量は素朴実装で $O(n^2)$、 KD-tree や Ball tree などの空間索引を併用すれば平均 $O(n \log n)$。 SSDSE-B-2026 の 47 都道府県程度なら無視できるオーダー差ですが、 GPS 軌跡（10 万点）や顧客行動（100 万点）になると索引の有無が数十倍の速度差になります。 scikit-learn の DBSCAN(algorithm='auto') はサンプル数と次元から自動選択しますが、 高次元（次元 ≥ 20）では木索引が「次元の呪い」で劣化するため、 PCA で次元圧縮してから DBSCAN を実行するのが定石です。

🏭 産業別の活用事例（6 件）

DBSCAN の最大の強みは「クラスタ数を事前指定不要＋ノイズ自動検出」。 これが業界で重宝される理由です。

• ① マーケティング（顧客セグメンテーション）：購買履歴の密度を見て「常連クラスタ」「離反予備軍クラスタ」「一見さんノイズ」を自動分離。 K-means と違いクラスタ数を予測しなくてよい。 SSDSE-B では「人口・所得・医療充実度」で似た県を自動グルーピング可能。
• ② 物流（配送ルート最適化）：宅配の住所をクラスタリングし、 配送センターの最適配置を決定。 ノイズ判定された孤立顧客は「直送便」に振り分け。
• ③ 製造（センサー異常検知）：工場の振動・温度センサ値を毎分クラスタリングし、 ノイズに分類された値を即座にアラート。 K-means だと「異常もどこかのクラスタに無理に押し込まれる」ため不向き。
• ④ 金融（不正取引検出）：通常の取引パターンが密集する領域からノイズとして外れた取引を「疑わしい」とマーク。 SSDSE-B でも「外れ値県の特徴」を炙り出す同様の発想。
• ⑤ 生命科学（細胞画像のクラスタリング）：顕微鏡画像の細胞群を密度ベースで分類。 サイズと色から「健康細胞」「異常細胞」「画像ノイズ」を 1 アルゴリズムで分離。
• ⑥ 公的統計（地域類型化）：SSDSE-B-2026 の 47 都道府県を社会経済指標でクラスタリング。 「東京・神奈川・大阪」の大都市群、 「東北・四国の人口減少県群」、 「離島県のノイズ」など、 政策提言の基礎データに。

⚖️ DBSCAN vs K-means vs 階層 vs HDBSCAN：徹底比較

📝 演習問題（5 問）

💥 DBSCAN 失敗事例（7 件）

• 失敗 1：標準化を忘れて人口が支配的に。 SSDSE-B-2026 では人口列が他指標の 10⁶ 倍スケール。 距離計算が無意味化。
• 失敗 2：高次元で「次元の呪い」。 SSDSE 全 130 列を使うと距離が均一化し、 DBSCAN が機能しない。 PCA で 5-10 次元に圧縮を。
• 失敗 3：eps を勘で決めて全部ノイズ。 k-distance graph で肘を探す手順を踏まずに 0.1 などにすると、 全 47 県がノイズに。
• 失敗 4：密度不均一に弱い。 大都市群と地方郡で密度が極端に違うと、 1 つの eps では両方を捉えきれない。 → HDBSCAN を検討。
• 失敗 5：カテゴリ変数を直接投入。 「region=北海道」のような名義尺度を数値化せず使うと距離が無意味。 One-hot や Gower 距離を用意。
• 失敗 6：欠損値の前処理忘れ。 NaN 入りで NearestNeighbors が落ちる。 補完か削除を必ず先に。
• 失敗 7：結果を K-means の k と同列に解釈。 DBSCAN のクラスタ番号 1, 2, 3 と K-means の k=3 とは別物。 ノイズ -1 ラベルの存在を必ず明示。

📔 拡張ミニ用語集（10 語）

eps（ε）

近傍半径。 SSDSE-B 標準化後では 0.5〜2.0 を試行

min_samples

コア点判定の最小近傍数。 2*次元数を起点に

コア点

eps 近傍に min_samples 以上の点を持つ点

境界点

コア点の近傍だがコア条件を満たさない

ノイズ点

どのクラスタにも属さない孤立点（label = -1）

密度到達可能

コア点の連鎖を介して到達できる関係

k-distance graph

k 番目最近傍までの距離をプロット、 肘から eps を推定

OPTICS

DBSCAN の eps 不要版。 密度の連続的な変化を扱える

HDBSCAN

階層的 DBSCAN。 密度不均一に強く確率付きで割当

シルエットスコア

クラスタの内部結束と分離度の指標。 評価に使う

📖 参考文献

• Ester, M., Kriegel, H.-P., Sander, J., Xu, X. (1996). "A density-based algorithm for discovering clusters in large spatial databases with noise" (DBSCAN 原論文). KDD.
• Ankerst, M. et al. (1999). "OPTICS: Ordering Points to Identify the Clustering Structure". SIGMOD.
• Campello, R.J.G.B. et al. (2013). "Density-Based Clustering Based on Hierarchical Density Estimates" (HDBSCAN).
• scikit-learn 公式ドキュメント clustering。
• SSDSE 利用ガイド: 統計センター。

🎛 パラメータチューニング詳細手順

「eps と min_samples をどう決めるか」が DBSCAN の最重要論点。 SSDSE-B-2026 を題材にした実践手順：

1. ① 標準化：StandardScaler または RobustScaler（外れ値県の影響を抑える）。
2. ② min_samples の初期値：2 * 特徴量次元数を目安。 2 次元なら 4。
3. ③ k-distance graph 描画：NearestNeighbors(n_neighbors=min_samples) で k 番目最近傍距離を全点に対して計算、 ソートしてプロット。
4. ④ 肘の検出：曲線が急に立ち上がる点を eps として採用。 視覚で十分、 自動なら kneedle ライブラリ。
5. ⑤ クラスタ数とノイズ率を確認：適切な範囲か（SSDSE 47 県で 3-7 クラスタ・ノイズ 1-5 件あたりが目安）。
6. ⑥ シルエットスコアで評価：ノイズを除外したクラスタの結束・分離度を確認。
7. ⑦ 結果のドメイン解釈：「東京単独クラスタ」「北海道がノイズ」など、 既知知見と整合するか。

🌳 OPTICS と HDBSCAN：DBSCAN の進化系

DBSCAN の弱点「密度の異なるクラスタが混在すると失敗する」を克服する派生手法：

OPTICS（Ordering Points To Identify the Clustering Structure）

1999 年 Ankerst らが提案。 eps を固定しない点が革新的。 「到達可能性距離」を計算し、 任意の eps で事後的にクラスタを切り出せる。 scikit-learn では sklearn.cluster.OPTICS で利用可能。

HDBSCAN（Hierarchical DBSCAN）

2013 年 Campello らが提案。 階層的に密度クラスタを抽出し、 「最も安定なクラスタ」を自動選択。 SSDSE-B-2026 のような密度が場所により異なるデータには HDBSCAN が圧倒的に強い。 hdbscan パッケージ（pip install hdbscan）でアクセス。 ハイパーパラメータが min_cluster_size のみで運用が楽。

🚨 異常検知としての DBSCAN 活用

クラスタリング目的を超え、 DBSCAN は異常検知のシンプルかつ強力な手法でもあります。 ノイズ（label=-1）= 異常 と読み替えるだけ：

• ① クレジットカード不正検出：日常取引が密集する領域からノイズに分類された取引を「疑い」とフラグ。
• ② IoT センサ異常：温度・振動の正常範囲が密集領域。 外れた測定値が機器故障の予兆。
• ③ ネットワーク侵入検知：通信パターンの密度から、 ノイズ判定された通信を疑う。
• ④ 公的統計の異常値検出：SSDSE-B-2026 で他県と大きく外れる県を発見。 政策上の特殊事情か、 統計エラーか。

K-means と違い「異常も無理にどこかのクラスタに押し込む」現象がないため、 異常検知用途では DBSCAN / HDBSCAN / Isolation Forest が定番です。

📊 結果の可視化テクニック

1. ① 2D 散布図：標準化後の 2 軸でプロット、 クラスタ番号で色分け、 ノイズは黒×印。
2. ② PCA で 2D 圧縮：SSDSE-B の高次元データを PCA で 2 軸化、 DBSCAN 結果を重ねる。
3. ③ 都道府県名ラベル：散布図に prefecture 名を annotate。 「ノイズは東京と沖縄」が一目で分かる。
4. ④ クラスタ別の指標分布：各クラスタで人口・所得・医師数の平均を棒グラフ化、 クラスタの「人物像」を明確に。
5. ⑤ 日本地図に塗り分け：japanmap / folium で、 クラスタごとに色分け。 地理的なまとまりがあるかを視覚化。
6. ⑥ k-distance graph：eps 選択の根拠図として論文・レポートに必須。

🛠 30 分ハンズオン：SSDSE-B で 47 都道府県クラスタリング

1. Step 1（5 分）：pip install pandas scikit-learn matplotlib、 SSDSE-B-2026.csv を data/raw/ に配置。
2. Step 2（5 分）：人口・面積・所得・医師数の 4 列を読み込み、 StandardScaler で標準化。
3. Step 3（5 分）：NearestNeighbors(n_neighbors=4) で k-distance graph を描画、 肘から eps を決定。
4. Step 4（5 分）：DBSCAN(eps=決定値, min_samples=4) で実行、 labels_ を確認。
5. Step 5（5 分）：2D 散布図に都道府県名 + クラスタ色で可視化。
6. Step 6（5 分）：HDBSCAN でも実行、 結果比較。 安定クラスタの違いを観察。

🎯 このページの要点

• DBSCAN は密度ベースのクラスタリング。 eps と min_samples の 2 つで挙動が決まる
• クラスタ数を事前指定しなくてよい・ノイズを自動検出できるのが最大の利点
• K-means と異なり任意の形状のクラスタに対応、 SSDSE-B-2026 の地域類型化に最適
• 標準化は必須、 高次元では PCA で次元圧縮を先に
• 密度不均一なデータには HDBSCAN が後継として有力

🎓 研究応用：地域類型化への DBSCAN

SSDSE-B-2026 を用いた研究で DBSCAN がよく使われる場面：

• ① 地域類型化：47 都道府県を社会経済指標で密度クラスタリングし、 政策グループを定義。
• ② 過疎・過密の自動検出：人口密度・年齢構成・公共サービス指標を組み合わせ、 過疎ノイズと過密ノイズを抽出。
• ③ 産業構造の類似性：第 1 次・第 2 次・第 3 次産業比率で県をクラスタリング、 経済構造の地域パターンを可視化。
• ④ 医療資源配分：医師数・病床数・人口で密度クラスタリング、 リソース不足の県を炙り出す。
• ⑤ 教育指標：進学率・教員数・学校数でクラスタリング、 教育インフラの地域格差を見える化。

💭 拡張 Q&A（6 件）

🎨 概念図と総まとめ表（補遺）

本セクションは キーワード索引 として記事全体の構造を 3 図 + 6 表で再整理し、 「どこに何が書いてあるか」と「DBSCAN の意思決定」を一望できるようにしたものである。 図は <img> 要素として埋め込んでおり、 画像ビューア・スクリーンリーダ・印刷でも崩れない。

🖼 図 1: DBSCAN の 3 種類の点 — コア点 / 境界点 / ノイズ

DBSCAN を理解する最初の鍵は、 すべての点が「コア点」「境界点」「ノイズ点」のいずれかに分類されることである。 下の図は、 半径 ε の円の中に minPts 以上の近傍が入っているか否かで分岐していく様子を表したものだ。

%E3%82%B3%E3%82%A2%E7%82%B9 (core)%CE%B5 %E5%86%85%E3%81%AB minPts %E4%BB%A5%E4%B8%8A%E5%A2%83%E7%95%8C%E7%82%B9 (border)%CE%B5 %E5%86%85 minPts %E6%9C%AA%E6%BA%80%E3%80%81%E3%81%A0%E3%81%8C%E3%82%B3%E3%82%A2%E3%81%AB%E5%B1%9E%E3%81%99%E3%83%8E%E3%82%A4%E3%82%BA (noise)%E3%81%A9%E3%81%93%E3%81%AE%E3%82%AF%E3%83%A9%E3%82%B9%E3%82%BF%E3%81%AB%E3%82%82%E5%B1%9E%E3%81%95%E3%81%9A%CE%B5 = %E8%BF%91%E5%82%8D%E5%8D%8A%E5%BE%84%E3%80%81minPts = %E3%82%B3%E3%82%A2%E5%88%A4%E5%AE%9A%E3%81%97%E3%81%8D%E3%81%84%E5%80%A4" style="max-width:680px;width:100%;height:auto;border:1px solid #CFD8DC;border-radius:8px;">

💬 読み方：左の青円が コア点、 中央のオレンジが 境界点、 右の灰色が ノイズ。 境界点はコア点とつながっていてクラスタの一員になれるが、 ノイズ点はどのコアからも到達不能で −1 ラベルになる。

🖼 図 2: k-distance graph で ε を決める手順

DBSCAN で最も悩ましいパラメータは ε だが、 経験則として 「k-distance graph の肘」 を見れば概ね当てが付く。 横軸を点の番号（k 番目の近傍距離でソート）、 縦軸を k-番目近傍距離としたとき、 急激に立ち上がる位置が外れ値とクラスタ点の境目になる。

%E7%82%B9 (k-%E8%BF%91%E5%82%8D%E8%B7%9D%E9%9B%A2%E3%81%A7%E6%98%87%E9%A0%86%E3%82%BD%E3%83%BC%E3%83%88)k-%E8%BF%91%E5%82%8D%E8%B7%9D%E9%9B%A2%E3%80%8C%E8%82%98%E3%80%8D = %CE%B5 %E5%80%99%E8%A3%9C%E5%AF%86%E3%81%AA%E9%83%A8%E5%88%86%E5%A4%96%E3%82%8C%E5%80%A4%E3%83%BB%E3%83%8E%E3%82%A4%E3%82%BA" style="max-width:680px;width:100%;height:auto;border:1px solid #CFD8DC;border-radius:8px;">

💬 読み方：曲線が急に立ち上がる位置が ε の候補。 早すぎると微小クラスタが乱立し、 遅すぎると 1 つの巨大クラスタになる。 minPts は次元 d に対し 2d 程度から試すのが定番。

🖼 図 3: アルゴリズムの分岐フロー

未訪問の点を起点に「近傍数 ≥ minPts なら BFS で密度連結成分を拡張、 そうでなければ一旦ノイズに置く」を繰り返す。 後で他のコア点の近傍に入ってくれば境界点に格上げされる。

%E7%82%B9 p %E3%82%92%E9%81%B8%E3%81%B6%CE%B5 %E5%86%85 %E2%89%A5 minPts ?YesNo%E3%82%B3%E3%82%A2%E7%82%B9%E5%8C%96%E3%80%81%E8%BF%91%E5%82%8D%E3%82%92BFS%E3%81%A7%E6%8B%A1%E5%BC%B5%E4%B8%80%E6%97%A6%E3%83%8E%E3%82%A4%E3%82%BA (-1) %E3%81%AB%E3%81%99%E3%82%8B%E5%88%B0%E9%81%94%E5%8F%AF%E8%83%BD%E7%82%B9%E3%82%92%E5%85%A8%E9%83%A8%E3%83%A9%E3%83%99%E3%83%AB%E4%BB%98%E3%81%91%E4%BB%96%E3%81%AE%E3%82%B3%E3%82%A2%E3%81%AE%E8%BF%91%E5%82%8D%E3%81%AB%E5%85%A5%E3%82%8C%E3%81%B0%E5%A2%83%E7%95%8C%E7%82%B9%E3%81%AB" style="max-width:680px;width:100%;height:auto;border:1px solid #CFD8DC;border-radius:8px;">

💬 読み方：「ノイズ扱いになった点」が後で他のコア点から到達可能になれば 境界点に再分類される（左下から右下への矢印）。 この再分類が DBSCAN の「形状自由」の鍵である。

📊 表 1: コア点・境界点・ノイズ点の判定基準まとめ

📊 表 2: ε と minPts の標準的なグリッド範囲

📊 表 3: 他クラスタリングとの比較（密度・形状・パラメータ）

📊 表 4: SSDSE-B-2026 県別データに DBSCAN を当てたときの典型結果

📊 表 5: scikit-learn の DBSCAN 主要引数

📊 表 6: DBSCAN が向く / 向かない場面

📝 セクション横断のチェックリスト

本記事を一通り読み終えた後、 自分の理解を 8 項目で点検したい。 1 つでも答えに詰まる場所があれば、 該当セクションへ戻って読み直すのが安全である。

• (1) DBSCAN が クラスタ数 K を事前指定しない ことの実務上の利点を、 K-means と比べて 2 つ言える。
• (2) コア点・境界点・ノイズ点の 3 分類が、 ε と minPts の 2 引数だけ で決まる流れを説明できる。
• (3) 標準化（StandardScaler）が「ほぼ必須」である理由を、 ε の 「半径」という意味から説明できる。
• (4) k-distance graph の 「肘」 が ε の候補になる根拠を、 密度分布のヒストグラムと結び付けられる。
• (5) SSDSE-B-2026 の (総人口, 住宅着工戸数) で DBSCAN を回したとき、 東京・大阪などが −1 になる理由を 密度語彙で説明できる。
• (6) DBSCAN と HDBSCAN の使い分けポイントを 「密度の不均一性」から述べられる。
• (7) 高次元（d ≥ 20）で DBSCAN が機能しなくなる仕組みを 「次元の呪い」と関連付けて説明できる。
• (8) 新しい点が来たときの予測（クラスタ割当）を、 「scikit-learn の DBSCAN には predict が無い」事実とともに、 nearest neighbor 法か HDBSCAN の approximate_predict で代替する方針を選べる。

🧪 実務での「失敗事例」と回避策

DBSCAN は「魔法のように形を捉える」反面、 設定を誤ると全データが 1 クラスタ、 あるいは全データがノイズになる極端な結果を生むことがある。 代表的な失敗 3 つと、 即座に効く対策を整理しておく。

1. 失敗 1：標準化を忘れて売上 (円) と件数 (個) を同時に渡した。 ε の意味が完全に壊れ、 売上だけで近傍が決まる。 → StandardScaler をパイプラインに必ず挟む。
2. 失敗 2：minPts を大きすぎる値（30 など）にして、 全データがノイズに。 中規模データでは minPts = 2 × 次元 から探し、 ノイズ率が 30 % を超えていたら下げる。
3. 失敗 3：高次元（d = 50）の埋め込みベクトルに直接 DBSCAN。 距離が均一化し、 ε がほぼ機能しない。 → 先に UMAP / PCA で 2 〜 5 次元に圧縮してから当てる。

🔁 DBSCAN を回す前後でやることまとめ（実務テンプレート）

SSDSE-B-2026 等の県別データに DBSCAN を当てるとき、 単に fit_predict を呼ぶだけでは「期待した結果が出ない」「再現できない」事故が起きやすい。 以下の前処理・本実行・後処理の 3 段階を踏むのが安全である。

前処理（データを密度議論に乗せる）

• 欠損処理：DBSCAN は欠損を扱えないので、 中央値補完か行除外を先に決める。 補完するなら理由を記録。
• スケーリング：StandardScaler もしくは RobustScaler を必ず通す。 RobustScaler は外れ値が強い局面で安定する。
• カテゴリ変数の扱い：one-hot のままでは密度議論にならない。 Gower 距離・ハミング距離・k-prototypes など、 適切な距離関数を選ぶか、 連続変数のみで先に試す。
• 次元削減：5 次元を超えるなら、 まず PCA / UMAP / t-SNE で 2 〜 3 次元に圧縮した上で DBSCAN を回し、 結果を生空間に戻すのが定石。

本実行（パラメータ探索）

• k-distance graph で ε の当たり：NearestNeighbors(n_neighbors=minPts) で k-番目距離を取り、 ソートして肘を読む。
• (ε, minPts) のグリッド：ε を 0.3, 0.5, 0.7, 1.0、 minPts を 3, 5, 10 で 3 × 3 のグリッドを回し、 ノイズ率とクラスタ数を一覧化する。
• 評価指標：Silhouette はノイズを含むと意味が崩れるので、 ノイズを除いてから計算する。 加えて Calinski-Harabasz・Davies-Bouldin も併用する。
• シード：DBSCAN 本体は確率的ではないが、 サンプリングや次元削減の前段が確率的なら必ず random_state を固定する。

後処理（結果を読み・伝える）

• −1 ラベル（ノイズ）の処理：単に除外して可視化する場合と、 「外れ値レポート」として別表で示す場合の 2 通りがある。 業務目的で判断する。
• クラスタの命名：単に「クラスタ 0」と呼ばず、 「3 大都市圏」「東北・北陸の人口低密度圏」など、 ドメイン語彙で再ラベリングする。
• 境界点の感度：境界点は ε を少し変えるだけで所属が変わる。 結論を境界点に依存させていないか、 ε ± 10 % で再実行して頑健性を確認する。
• 新規データへの割当：DBSCAN には predict が無い。 既存コア点との最近傍法か、 HDBSCAN の approximate_predict を別途用意しておく。

📜 DBSCAN の歴史と派生アルゴリズム年表

DBSCAN は密度ベースクラスタリングの最初期の成功例であり、 そこからいくつもの派生が生まれた。 代表的なものを年代順に並べると、 自分が扱おうとしている問題にどの派生が向くかを判断しやすい。

• 1996 年：DBSCAN 原論文（Ester, Kriegel, Sander, Xu）。 「密度連結」という発想で K 指定不要・任意形状対応を達成。 SIGKDD で 2014 年に Test of Time 賞を受賞している。
• 1999 年：OPTICS（Ordering Points To Identify the Clustering Structure）。 ε を単一の値に固定せず、 密度の階層構造を「到達可能距離プロット」として可視化する。
• 2013 年：HDBSCAN*（Campello, Moulavi, Sander）。 OPTICS の階層的アイデアを発展させ、 密度の不均一なデータに頑健。 minPts さえ決めれば ε 不要。
• 2018 年：scikit-learn の cluster.OPTICS 実装公開。 これ以降、 Python ユーザーは DBSCAN／OPTICS／HDBSCAN を同じインタフェースで比較できるようになった。

🌐 SSDSE-B-2026 における別の応用例（補足）

本記事の本編では (総人口, 住宅着工戸数) の例を扱ったが、 SSDSE-B-2026 には DBSCAN を活かせる他の軸もある。 ここでは「軸の選び方」と「結果の解釈」を簡潔にまとめる。

• (高齢化率, 出生率) の 2 軸：標準化後の ε ≈ 0.4 で実行すると、 沖縄が −1（ノイズ）として分離され、 東北・四国が同一クラスタに集まりやすい。 「人口動態の地域パターン」を density で抽出する典型例。
• (医師数 / 人口, 病床数 / 人口) の 2 軸：高知・徳島が高密度クラスタの中心、 神奈川・埼玉が低密度クラスタ。 「医療資源の偏り」を見るのに有効。
• (進学率, 教員 1 人あたり生徒数) の 2 軸：都市圏が高密度クラスタ、 過疎県が −1 として分かれる。 教育投資の議論に使える。
• 3 産業比率（1 次/2 次/3 次）の 3 軸：合計 100 % の simplex 上での密度議論になる。 ε ≈ 5 で実行すると、 第 1 次産業比率が突出した県が独立クラスタに分かれる。

📖 用語の対応表（日本語・英語・略号）

DBSCAN を読み書きするときに頻出する用語の対応関係を、 日英・略号で整理しておく。 論文・公式ドキュメント・実装ソースコードを跨いで読むときに役立つ。

❓ FAQ 補遺（読者から想定される追加質問）

本編の Q&A に含まれなかった、 やや細かい質問を 4 件補足する。 いずれも実務でつまずきやすいポイントである。

Q. DBSCAN は再現性があるか — アルゴリズム自体は決定論的だが、 sklearn の実装ではタイブレーク順が入力順に依存する。 つまり入力の並び順を変えると、 境界点の所属クラスタが入れ替わることがある。 厳密な再現性が必要なら、 入力 DataFrame をソート固定してから渡す。

Q. NaN を含む列があるとどうなるか — sklearn の DBSCAN は NaN を許容しない。 SimpleImputer で median 補完するか、 NaN 行をドロップしてから渡すこと。 ドロップする場合は「外れ値疑い」と「欠損」の区別を意識する。

Q. クラスタごとの代表点を取りたい — sklearn の DBSCAN は重心を返さない。 core_sample_indices_ から各クラスタのコア点を取り出し、 平均ベクトルを別途計算するのが定石。 境界点を含めるかは目的に応じて決める。

Q. クラスタの大小に意味はあるか — 大きさ自体は単にデータ密度を反映するだけで、 「重要性」を示すわけではない。 小さなクラスタが業務上重要なセグメント（例: ハイバリュー顧客）を表すこともよくある。 サイズではなく「何で構成されるか」で読むこと。

🧩 K-means との「使い分けフローチャート」 (テキスト版)

新しいデータが手元に来たとき、 DBSCAN と K-means のどちらを使うべきか迷う場面は多い。 以下の質問を順に答えていけば、 概ね妥当な選択ができる。

1. 「クラスタ数 K は事前に決められるか？」 — Yes なら K-means、 No なら 2 へ。
2. 「クラスタは大体丸い (凸) と仮定して良いか？」 — Yes なら K-means / GMM、 No なら 3 へ。
3. 「外れ値をクラスタとは別扱いにしたいか？」 — Yes なら DBSCAN / HDBSCAN、 No なら 4 へ。
4. 「密度がクラスタ間で大きく違うか？」 — Yes なら HDBSCAN、 No なら DBSCAN。
5. 「次元 d は 20 未満か？」 — Yes ならそのまま、 No なら先に PCA / UMAP で次元削減。

この 5 つの質問を 30 秒で答えれば、 SSDSE-B-2026 のような中規模の県別データなら DBSCAN かどうかをすぐ判断できる。 業務データで密度が大きく不均一な場合は HDBSCAN を第一候補にすると失敗が少ない。

以上、 キーワード索引として図 3 点・表 6 点・チェックリスト 8 項目・失敗事例 3 点・前処理〜後処理テンプレート・歴史と派生年表・SSDSE-B での追加応用例・日英対応表・FAQ 補遺・使い分けフローチャートで記事全体の要点を再収録した。 個別の詳細はそれぞれのセクションを参照のこと。 DBSCAN は「密度連結」というシンプルな発想で外れ値検出とクラスタリングを同時にこなす、 きわめて実用的な道具である。 次に進むなら HDBSCAN・OPTICS の各記事へ、 また入力データの距離計量を考え直したいときは「標準化」「距離尺度」「次元の呪い」の各記事を参照すると、 DBSCAN を一段深く理解できる。 探索段階では小さな ε から始め、 ノイズ率の振る舞いを見ながら緩めていくのが安全策である。 最終的にどの ε と minPts に落ち着いたか、 そしてその選択を業務上どう説明したかを、 必ず再現可能な形で記録しておくことを強く推奨する。

🎨 概念図で押さえる DBSCAN の本質

DBSCAN を最短で腹落ちさせる 3 枚の図。 ① k-means が苦手な非凸クラスタを密度連結で拾う、 ② Core/Border/Noise の 3 役割、 ③ ε と minPts のチューニング感覚 (k-distance plot)。

💬 ①密度連結なら非凸でも切れる、 ②出力は Core/Border/Noise の 3 ラベルだけ、 ③ ε は k-distance plot の膝で決める — この 3 点を押さえれば DBSCAN の挙動はほぼ説明できる。

🧮 数式に値を入れて手で計算する: DBSCAN のコア点判定

2 次元の数値ベクトル 6 点 [0, 0], [1, 1], [1, 0], [2, 1], [8, 8], [9, 9] に eps=2.0, minPts=3 を適用し、各点がコア点か境界点かノイズかを手計算で判定する。

Step 1: 入力データ（数値ベクトル）

入力点群（2 次元ベクトル）: p1=[0, 0], p2=[1, 1], p3=[1, 0], p4=[2, 1], p5=[8, 8], p6=[9, 9]

パラメータ: ε (eps) = 2.0、 minPts = 3（自身を含む）

コア点判定式: dist(pi, pj) = √((xi−xj)² + (yi−yj)²) ≤ ε で近傍を列挙し、近傍数 ≥ minPts なら「コア点」。

Step 2: 距離計算と近傍列挙

Step 3: クラスタ割り当て

🐍 Python で再現

このコードでやること：手計算した数値ベクトル 6 点 [[0,0],[1,1],[1,0],[2,1],[8,8],[9,9]] を numpy 配列で定義し、DBSCAN(eps=2.0, min_samples=3) を実行。 labels_ とコアインデックスが手計算 Step 3 の結果と一致することを確認する。

📥 入力データ（Step 1 の 6 つの数値ベクトル）：

1
2
3
4
5
6

import numpy as np
from sklearn.cluster import DBSCAN
X = np.array([[0,0],[1,1],[1,0],[2,1],[8,8],[9,9]])
db = DBSCAN(eps=2.0, min_samples=3).fit(X)
print(f"ラベル: {db.labels_}")
print(f"コア index: {db.core_sample_indices_}")

📤 実行結果

💬 手計算 (Step 3) の結果 ラベル=[ 0 0 0 0 -1 -1]、コアindex=[0 1 2 3] と Python 出力が完全に一致。 数値ベクトル [0,0],[1,1],[1,0],[2,1] が同じクラスタ 0 に、 [8,8],[9,9] がノイズ (-1) になることが手計算と Python 実装で同じ結果であることを確認した。

🔗 隣接手法への橋渡し

「DBSCAN」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流（前処理）: 標準化 で全変数を同一スケールに統一 → 外れ値 の性質を事前に把握 → PCA / UMAP で次元削減（高次元時）
• 並列（代替手法）: k-means（球状・K 指定）/ 階層的クラスタリング（樹形図）/ クラスタリング全般 と結果比較・併用
• 下流（評価・解釈）: ハイパーパラメータ調整 で (eps, min_samples) を最適化 → 外れ値処理 で noise 点を活用 → グリッドサーチ でパラメータ感度を確認

これらの接続を意識することで、 「DBSCAN」を中核に据えた一貫した分析パイプライン（前処理 → DBSCAN → 評価・解釈）を構築できる。