Summary  
This chapter demonstrates how to apply the DBSCAN density-based clustering algorithm, tune its eps and min_samples hyperparameters, and distinguish core points from border points in the resulting clusters.  

General domain of usage  
Unsupervised machine learning (data clustering)

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. Instansiering af `DBSCAN`-objektet med angivelse af `eps` og `min_samples`;
2. Modellens tilpasning til data;
3. Visualisering af resultater ved at plotte **datapunkter** og farve dem efter deres tildelte **klyngeetiketter**.

## Justering af hyperparametre

Valget af `eps` og `min_samples` har stor indflydelse på klyngeinddelingen. Afprøv forskellige værdier for at finde det, der passer bedst til dine data. Hvis for eksempel `eps` er for stor, kan alle punkter ende i **én klynge**. Hvis `eps` er for lille, kan mange punkter blive klassificeret som **støj**. Det er også muligt at skalere funktionerne.

Hvilket udsagn beskriver bedst effekten af parameteren `eps` i DBSCAN-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.

Implementering på Dummy-Datasæt

Justering af hyperparametre

Implementering på Dummy-Datasæt

Justering af hyperparametre