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)

Es werden zwei Datensätze erstellt, um die Stärken von DBSCAN zu demonstrieren:

- **Moons:** Zwei ineinandergreifende Halbkreise;
- **Circles:** Ein kleiner Kreis innerhalb eines größeren Kreises.

Der Algorithmus verläuft wie folgt:

1. Instanziierung des `DBSCAN`-Objekts mit Festlegung von `eps` und `min_samples`;
2. Anpassung des Modells an die Daten;
3. Visualisierung der Ergebnisse durch Plotten der **Datenpunkte** und farbliche Kennzeichnung entsprechend ihrer **Cluster-Labels**.

## Abstimmung der Hyperparameter

Die Wahl von `eps` und `min_samples` beeinflusst das Clustering-Ergebnis maßgeblich. Verschiedene Werte sollten ausprobiert werden, um die optimale Einstellung für die eigenen Daten zu finden. Ist beispielsweise `eps` zu groß, können alle Punkte in einem **einzigen Cluster** landen. Ist `eps` zu klein, werden viele Punkte als **Rauschen** klassifiziert. Auch eine Skalierung der Merkmale ist möglich.

Welche Aussage beschreibt am besten die Auswirkung des Parameters `eps` beim DBSCAN-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.

Implementierung auf Dummy-Datensatz

Abstimmung der Hyperparameter

Implementierung auf Dummy-Datensatz

Abstimmung der Hyperparameter