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)

Luodaan kaksi datasarjaa DBSCAN-algoritmin vahvuuksien havainnollistamiseksi:

- **Moons:** kaksi toisiinsa kietoutuvaa puolikuuta;
- **Circles:** pieni ympyrä suuremman ympyrän sisällä.

Algoritmi etenee seuraavasti:

1.  `DBSCAN`-olion luonti ja `eps`- sekä `min_samples`-parametrien asettaminen;
2.  Mallin sovittaminen dataan;
3.  Tulosten visualisointi piirtämällä **datapisteet** ja värittämällä ne niiden **klusteritunnisteiden** mukaan.

## Hyperparametrien säätäminen

`eps`- ja `min_samples`-arvojen valinnalla on merkittävä vaikutus klusteroinnin lopputulokseen. Kokeile eri arvoja löytääksesi parhaiten dataasi sopivat asetukset. Esimerkiksi, jos `eps` on liian suuri, kaikki pisteet voivat päätyä **yhteen klusteriin**. Jos `eps` on liian pieni, monet pisteet voidaan luokitella **kohinaksi**. Voit myös skaalata piirteitä.

Mikä väittämä kuvaa parhaiten `eps`-parametrin vaikutusta DBSCAN-klusteroinnissa?

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.

Toteutus Esimerkkiaineistolla

Hyperparametrien säätäminen

Toteutus Esimerkkiaineistolla

Hyperparametrien säätäminen