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)

Se crearán dos conjuntos de datos para demostrar las fortalezas de DBSCAN:

- **Moons:** dos semicírculos entrelazados;
- **Circles:** un círculo pequeño dentro de un círculo más grande.

El algoritmo es el siguiente:

1. Instanciar el objeto `DBSCAN`, configurando `eps` y `min_samples`;
2. Ajustar el modelo a los datos;
3. Visualizar los resultados graficando los **puntos de datos** y coloreándolos según sus **etiquetas de clúster** asignadas.

## Ajuste de hiperparámetros

La elección de `eps` y `min_samples` impacta significativamente en el resultado del agrupamiento. Probar con diferentes valores para encontrar los más adecuados para los datos. Por ejemplo, si `eps` es demasiado grande, todos los puntos pueden terminar en un **solo clúster**. Si `eps` es demasiado pequeño, muchos puntos pueden clasificarse como **ruido**. También es posible escalar las características.

¿Qué afirmación describe mejor el efecto del parámetro `eps` en el agrupamiento DBSCAN?

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.

Implementación en un Conjunto de Datos Ficticio

Ajuste de hiperparámetros

Implementación en un Conjunto de Datos Ficticio

Ajuste de hiperparámetros