Summary  
This chapter demonstrates how to preprocess numeric features, apply the DBSCAN density-based clustering algorithm with hyperparameter tuning (eps and min_samples), and visualize resulting clusters and outliers on a real dataset.  

General domain of usage  
Customer segmentation in retail marketing

Verrà utilizzato il dataset **mall customers**, che contiene le seguenti colonne:

Si consiglia inoltre di seguire questi passaggi prima del clustering:
     
1.  **Caricamento dei dati:** utilizzo di `pandas` per caricare il file CSV;
2.  **Selezione delle caratteristiche rilevanti:** concentrazione sulle colonne `'Annual Income (k$)'` e `'Spending Score (1-100)'`;
3.  **Scalatura dei dati (importante per DBSCAN):** poiché DBSCAN utilizza calcoli di distanza, è fondamentale scalare le caratteristiche per avere intervalli simili. È possibile utilizzare `StandardScaler` a questo scopo.

## Interpretazione 

Il codice crea **5 cluster** in questo caso. È importante analizzare i cluster risultanti per ottenere informazioni sulla **segmentazione dei clienti**. Ad esempio, si possono individuare cluster che rappresentano: 

- Clienti ad alto reddito e alta spesa;     
- Clienti ad alto reddito e bassa spesa;    
- Clienti a basso reddito e alta spesa;     
- Clienti a basso reddito e bassa spesa; 
- Clienti a reddito medio e spesa media.


Quale affermazione descrive meglio un vantaggio chiave dell'utilizzo di DBSCAN per il clustering del dataset dei clienti del centro commerciale?

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 Reale

Interpretazione

Osservazioni Conclusive

Implementazione su un Dataset Reale

Interpretazione

Osservazioni Conclusive