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** (Agrupamiento Espacial Basado en Densidad de Aplicaciones con Ruido) ofrece una alternativa poderosa a los algoritmos de agrupamiento tradicionales como K-means y el agrupamiento jerárquico, especialmente al trabajar con **grupos de formas arbitrarias** y **conjuntos de datos que contienen ruido**.

Definición

La tabla anterior resalta las principales ventajas de DBSCAN: su capacidad para encontrar grupos de **cualquier forma**, su robustez frente al **ruido** y su **determinación automática** del número de grupos.

Por lo tanto, **DBSCAN** es especialmente adecuado para escenarios donde:
- Los grupos tienen formas irregulares;
- Hay puntos de ruido que deben ser identificados;
- El número de grupos no se conoce de antemano;
- La densidad de los datos varía a lo largo del conjunto de datos.

¿En qué escenario es probable que DBSCAN supere a K-means y al agrupamiento jerárquico?

Explora el poder de los patrones ocultos con el aprendizaje no supervisado. Domina los algoritmos de agrupamiento más influyentes, incluidos K-Means, Clustering Jerárquico, DBSCAN y Modelos de Mezcla Gaussiana. Aprende a evaluar la calidad de los clústeres utilizando WSS y puntuaciones de Silhouette, manejar diversas medidas de distancia e implementar soluciones robustas en conjuntos de datos del mundo real. Desarrolla habilidades para segmentar clientes y descubrir estructuras en datos no etiquetados utilizando Scikit-learn.

¿Por Qué DBSCAN?

¿Por Qué DBSCAN?