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) bietet eine leistungsstarke Alternative zu traditionellen Clustering-Algorithmen wie K-means und hierarchischem Clustering, insbesondere bei der Analyse von **Clustern beliebiger Form** und **Datensätzen mit Ausreißern**.

Definition

Die obige Tabelle hebt die wichtigsten Vorteile von DBSCAN hervor: die Fähigkeit, Cluster **beliebiger Form** zu erkennen, die Robustheit gegenüber **Ausreißern** und die **automatische Bestimmung** der Clusteranzahl.

Daher eignet sich **DBSCAN** besonders für Szenarien, in denen:
- Cluster unregelmäßige Formen aufweisen;
- Ausreißer vorhanden sind und identifiziert werden müssen;
- Die Anzahl der Cluster im Voraus nicht bekannt ist;
- Die Datendichte im Datensatz variiert.

In welchem Szenario ist DBSCAN wahrscheinlich leistungsfähiger als K-means und hierarchisches Clustering?

Entdecken Sie die Kraft verborgener Muster mit unüberwachtem Lernen. Beherrschen Sie die einflussreichsten Clustering-Algorithmen, darunter K-Means, hierarchisches Clustering, DBSCAN und Gaußsche Mischmodelle. Lernen Sie, die Clusterqualität mit WSS- und Silhouette-Werten zu bewerten, verschiedene Distanzmaße zu handhaben und robuste Lösungen auf realen Datensätzen zu implementieren. Entwickeln Sie Fähigkeiten zur Kundensegmentierung und zur Entdeckung von Strukturen in nicht gelabelten Daten mit Scikit-learn.

Warum DBSCAN?

Warum DBSCAN?