39. 關於 K-Means 與 DBSCAN，下列敘述何者不正確？
(A) 兩者都是集群分析
(B) K-Means 基於距離的概念，而 DBSCAN 基於密度的概念
(C) 兩者都需要事先告知分群的數量
(D) K-Means 集群結果易受離群值的影響

解析題目與選項：

K-Means 與 DBSCAN（Density-Based Spatial Clustering of Applications with Noise） 都是**無監督式學習（Unsupervised Learning）中的集群分析（Clustering）**方法，但它們的工作原理和應用場景不同。

選項分析：

(A) 兩者都是集群分析 ✅ (正確)
→ K-Means 和 DBSCAN 都是 Clustering 方法，但其運作方式不同，K-Means 是基於距離，而 DBSCAN 是基於密度。

(B) K-Means 基於距離的概念，而 DBSCAN 基於密度的概念 ✅ (正確)
→ K-Means 透過計算數據點到質心（Centroid）的距離來分群，而 DBSCAN 是基於密度，當一個區域內數據點密度足夠高時，則形成一個群。

(C) 兩者都需要事先告知分群的數量 ❌ (錯誤，正確答案！)
→ 錯誤！K-Means 需要事先設定 K 值，但 DBSCAN 不需要。

• K-Means：必須指定 K（群的數量），否則無法運作。
• DBSCAN：不需要指定 K，而是依據密度閾值 ε（epsilon） 和 最小點數（MinPts） 來自動決定群的數量。

(D) K-Means 集群結果易受離群值的影響 ✅ (正確)
→ K-Means 受離群值影響很大，因為它使用均值（Centroid）來計算群心，如果有極端值，則均值會被拉動，導致分群結果不準確。
→ DBSCAN 則不易受離群值影響，因為它能夠直接標記離群點（Noise）。

正確答案：

✅ (C) 兩者都需要事先告知分群的數量 (錯誤！K-Means 需要設定 K 值，而 DBSCAN 不需要)