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)

Creazione di due dataset per dimostrare i punti di forza di DBSCAN: 
 
- **Moons:** due mezzi cerchi intrecciati; 
- **Circles:** un piccolo cerchio all'interno di un cerchio più grande.

L'algoritmo è il seguente:

1.  Istanziazione dell'oggetto `DBSCAN`, impostando `eps` e `min_samples`;      
2.  Addestramento del modello sui dati; 
3.  Visualizzazione dei risultati tramite il grafico dei **punti dati** colorati in base alle rispettive **etichette di cluster**.

## Ottimizzazione degli Iperparametri 

La scelta di `eps` e `min_samples` influisce in modo significativo sul risultato del clustering. Sperimentare con diversi valori per individuare quelli più adatti ai propri dati. Ad esempio, se `eps` è troppo grande, tutti i punti potrebbero essere assegnati a un **unico cluster**. Se `eps` è troppo piccolo, molti punti potrebbero essere classificati come **rumore**. È inoltre possibile scalare le feature.

Quale affermazione descrive meglio l'effetto del parametro `eps` nel clustering DBSCAN?

Esplora la potenza dei pattern nascosti con l'apprendimento non supervisionato. Apprendi i più influenti algoritmi di clustering, tra cui K-Means, Clustering Gerarchico, DBSCAN e Modelli di Mixture Gaussiana. Impara a valutare la qualità dei cluster utilizzando WSS e punteggi Silhouette, gestire diverse misure di distanza e implementare soluzioni robuste su dataset reali. Sviluppa le competenze per segmentare i clienti e scoprire strutture in dati non etichettati utilizzando Scikit-learn.

Implementazione su un Dataset Fittizio

Ottimizzazione degli Iperparametri

Implementazione su un Dataset Fittizio

Ottimizzazione degli Iperparametri