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)

Vous allez créer deux ensembles de données pour illustrer les points forts de DBSCAN :

- **Moons :** deux demi-cercles entrelacés ;
- **Circles :** un petit cercle à l'intérieur d'un cercle plus grand.

L'algorithme est le suivant :

1. Instanciation de l'objet `DBSCAN` en définissant `eps` et `min_samples` ;
2. Ajustement du modèle sur vos données ;
3. Visualisation des résultats en traçant les **points de données** et en les coloriant selon leurs **étiquettes de cluster** attribuées.

## Réglage des hyperparamètres

Le choix de `eps` et `min_samples` influence fortement le résultat du clustering. Tester différentes valeurs pour déterminer ce qui convient le mieux à vos données. Par exemple, si `eps` est trop grand, tous les points peuvent se retrouver dans un **seul cluster**. Si `eps` est trop petit, de nombreux points peuvent être classés comme **bruit**. Il est également possible de mettre à l'échelle les caractéristiques.

Quelle affirmation décrit le mieux l'effet du paramètre `eps` dans le clustering DBSCAN ?

Découvrez la puissance des motifs cachés grâce à l'apprentissage non supervisé. Maîtrisez les algorithmes de regroupement les plus influents, notamment K-Means, le regroupement hiérarchique, DBSCAN et les modèles de mélanges gaussiens. Apprenez à évaluer la qualité des clusters à l'aide des scores WSS et Silhouette, à gérer diverses mesures de distance et à mettre en œuvre des solutions robustes sur des ensembles de données réels. Développez les compétences nécessaires pour segmenter les clients et identifier des structures dans des données non étiquetées avec Scikit-learn.

Implémentation sur un Jeu de Données Fictif

Réglage des hyperparamètres