Summary  
This chapter demonstrates how to preprocess numeric features, apply the DBSCAN density-based clustering algorithm with hyperparameter tuning (eps and min_samples), and visualize resulting clusters and outliers on a real dataset.  

General domain of usage  
Customer segmentation in retail marketing

Du vil bruge **mall customers** datasættet, som indeholder følgende kolonner:

Du bør også følge disse trin før klyngedannelse:
     
1.  **Indlæs data:** du bruger `pandas` til at indlæse CSV-filen;
2.  **Vælg relevante funktioner:** du fokuserer på kolonnerne `'Annual Income (k$)'` og `'Spending Score (1-100)'`;
3.  **Skalering af data (vigtigt for DBSCAN):** da DBSCAN anvender afstandsberegninger, er det afgørende at skalere funktionerne, så de har lignende intervaller. Du kan bruge `StandardScaler` til dette formål.

## Fortolkning 

Koden opretter **5 klynger** i dette tilfælde. Det er vigtigt at analysere de resulterende klynger for at opnå indsigt i **kundesegmentering**. For eksempel kan du finde klynger, der repræsenterer: 

- Høj indkomst, højt forbrug;     
- Høj indkomst, lavt forbrug;    
- Lav indkomst, højt forbrug;     
- Lav indkomst, lavt forbrug; 
- Mellemindkomst, mellemforbrug.


Hvilken påstand beskriver bedst en vigtig fordel ved at bruge DBSCAN til klyngeanalyse af mall customers-datasættet?

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 et Reelt Datasæt

Fortolkning

Afsluttende bemærkninger

Implementering på et Reelt Datasæt

Fortolkning

Afsluttende bemærkninger