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) tarjoaa tehokkaan vaihtoehdon perinteisille klusterointialgoritmeille, kuten K-means ja hierarkkinen klusterointi, erityisesti käsiteltäessä **mielivaltaisen muotoisia klustereita** ja **aineistoja, joissa on kohinaa**.

Määritelmä

Yllä oleva taulukko korostaa DBSCANin keskeisiä etuja: kyky löytää **minkä tahansa muotoisia** klustereita, kestävyys **kohinaa** vastaan sekä **automaattinen klusterien määrän määrittäminen**.

Siksi **DBSCAN** soveltuu erityisen hyvin tilanteisiin, joissa:
- Klusterit ovat epäsäännöllisen muotoisia;
- Aineistossa on kohinapisteitä, jotka tulee tunnistaa;
- Klusterien määrä ei ole tiedossa etukäteen;
- Datan tiheys vaihtelee aineistossa.

Missä tilanteessa DBSCAN todennäköisesti päihittää K-means- ja hierarkkisen klusteroinnin?

Tutustu piilevien rakenteiden tunnistamiseen ohjaamattoman oppimisen avulla. Hallitse keskeisimmät klusterointialgoritmit, kuten K-Means, hierarkkinen klusterointi, DBSCAN ja Gaussin seosmallit. Opettele arvioimaan klusteroinnin laatua WSS- ja Silhouette-mittareilla, käsittelemään erilaisia etäisyysmittareita sekä toteuttamaan kestäviä ratkaisuja aidoilla aineistoilla. Kehitä osaamista asiakassegmentoinnissa ja rakenteiden löytämisessä merkitsemättömästä datasta Scikit-learnin avulla.

Miksi DBSCAN?