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) gir et kraftig alternativ til tradisjonelle klyngealgoritmer som K-means og hierarkisk klynging, spesielt når man arbeider med **klynger av vilkårlige former** og **datasett som inneholder støy**.

Definisjon

Tabellen ovenfor fremhever de viktigste fordelene med DBSCAN: evnen til å finne klynger av **enhver form**, robusthet mot **støy**, og **automatisk bestemmelse** av antall klynger.

Derfor er **DBSCAN** spesielt godt egnet for scenarier hvor:
- Klynger har uregelmessige former;
- Støypunkter er til stede og må identifiseres;
- Antall klynger ikke er kjent på forhånd;
- Datatettheten varierer i datasettet.

I hvilket scenario vil DBSCAN sannsynligvis prestere bedre enn K-means og hierarkisk klynging?

Utforsk kraften i skjulte mønstre med usupervisert læring. Behersk de mest innflytelsesrike klyngealgoritmene, inkludert K-Means, hierarkisk klynging, DBSCAN og Gaussiske blandingsmodeller. Lær å evaluere klyngekvalitet ved hjelp av WSS og Silhouette-score, håndtere ulike avstandsmål og implementere robuste løsninger på virkelige datasett. Bygg ferdigheter for å segmentere kunder og oppdage strukturer i umerkede data ved bruk av Scikit-learn.

Hvorfor DBSCAN?

Hvorfor DBSCAN?