Summary  
This chapter covers the DBSCAN algorithm, a density-based clustering technique that groups points by local density, handles arbitrary cluster shapes, and detects noise/outliers using ε (epsilon) and MinPts instead of a preset cluster count.

General domain of usage  
Spatial data analysis

**DBSCAN** (Density-Based Spatial Clustering of Applications with Noise) tilbyder et stærkt alternativ til traditionelle klyngealgoritmer som K-means og hierarkisk klyngedannelse, især når der arbejdes med **klynger af vilkårlige former** og **datasæt med støj**.

Definition

Tabellen ovenfor fremhæver de vigtigste fordele ved DBSCAN: evnen til at finde klynger af **enhver form**, robusthed over for **støj** og **automatisk bestemmelse** af antallet af klynger.

Derfor er **DBSCAN** særligt velegnet til scenarier, hvor:
- Klynger har uregelmæssige former;
- Støjpunkter er til stede og skal identificeres;
- Antallet af klynger ikke er kendt på forhånd;
- Datatætheden varierer på tværs af datasættet.

I hvilket scenarie vil DBSCAN sandsynligvis overgå K-means og hierarkisk klyngedannelse?

Udforsk styrken ved skjulte mønstre med ikke-superviseret læring. Behersk de mest indflydelsesrige klyngealgoritmer, herunder K-Means, hierarkisk klyngedannelse, DBSCAN og Gaussiske blandingsmodeller. Lær at evaluere klyngekvalitet ved hjælp af WSS og Silhouette-scorer, håndtere forskellige afstandsmål og implementere robuste løsninger på virkelige datasæt. Opbyg færdigheder til at segmentere kunder og opdage strukturer i uetiketterede data ved brug af Scikit-learn.

Hvorfor DBSCAN?