Summary  
This chapter covers implementing the DBSCAN clustering algorithm: generating and scaling dummy data, fitting a DBSCAN model, tuning its `eps` and `min_samples` hyperparameters, and distinguishing core points from border points.  

General domain of usage  
Unsupervised clustering of non-linearly separable data patterns.

Du opretter to datasæt for at demonstrere DBSCAN's styrker:

- **Moons:** to sammenflettede halvcirkler;

- **Circles:** en lille cirkel inden i en større cirkel.

Algoritmen er som følger:

1.  Du opretter et `DBSCAN`-objekt og angiver `eps` og `min_samples`;

2.  Du tilpasser modellen til dine data;

3.  Du visualiserer resultaterne ved at plotte **datapunkterne** og farvelægge dem efter deres tildelte **klyngeetiketter**.

## Justering af hyperparametre

Valget af `eps` og `min_samples` har stor betydning for klyngeinddelingen. Eksperimentér med forskellige værdier for at finde det, der passer bedst til dine data. For eksempel, hvis `eps` er for stor, kan alle punkter ende i **én enkelt klynge**. Hvis `eps` er for lille, kan mange punkter blive klassificeret som **støj**. Du kan også skalere funktionerne.

Opnå en solid forståelse af klyngeanalyse, en central ikke-superviseret læringsteknik til at afdække mønstre i uetiketterede data. Udforsk det grundlæggende i K-Means, Hierarkisk Klyngedannelse, DBSCAN og GMM'er, og få praktisk erfaring med rigtige datasæt for at opbygge selvtillid i anvendelsen af klyngeanalyse på virkelige problemstillinger.

Dyk ned i grundlæggende klyngering og opdag, hvordan det adskiller sig fra klassifikation. Udforsk essentielle algoritmer, værktøjer og biblioteker, der driver denne uovervågede læringsteknik til at afdække skjulte mønstre i data.

Opnå et solidt kendskab til centrale forbehandlingsteknikker, der sikrer effektiv klyngeanalyse. Håndtering af manglende værdier, kodning af kategoriske variable, normalisering af data samt valg af passende afstandsmål og koblinger for at øge nøjagtigheden af klyngeanalysen.

Opnå færdighederne til effektiv anvendelse af K-Means clustering. Forstå algoritmens funktion, fastlæg det optimale antal klynger, og få praktisk erfaring med implementering af K-Means på både syntetiske og virkelige datasæt.

Udforsk det grundlæggende i hierarkisk klyngedannelse og lær, hvordan data grupperes i meningsfulde klynger ved hjælp af dendrogrammer. Opnå fortrolighed med at identificere det optimale antal klynger og implementere teknikken på både syntetiske og virkelige datasæt.

Opdag hvordan DBSCAN udmærker sig ved at identificere klynger med varierende former og håndtere støj i data. Få indsigt i mekanismerne bag denne tæthedsbaserede algoritme, hvordan punkter tildeles klynger, og anvend den på både syntetiske og virkelige datasæt med sikkerhed.

Opnå et solidt kendskab til Gaussian Mixture Models og hvordan de anvender sandsynlighed til at modellere komplekse klyngestrukturer. Forstå principperne bag Gaussisk fordeling, undersøg hvordan GMMs fungerer, og opbyg fortrolighed ved at anvende dem på både dummydata og virkelige datasæt.

Implementering på Dummy-Datasæt

Justering af hyperparametre

Awesome!

Implementering på Dummy-Datasæt

Justering af hyperparametre