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)

Du vil opprette to datasett for å demonstrere styrkene til DBSCAN:

- **Moons:** to sammenflettede halvsirkler;
- **Circles:** en liten sirkel inni en større sirkel.

Algoritmen er som følger:

1.  Instansiering av `DBSCAN`-objektet, med angitte verdier for `eps` og `min_samples`;
2.  Modelltilpasning til dataene;
3.  Visualisering av resultatene ved å plotte **datapunktene** og fargelegge dem etter tildelte **klyngeetiketter**.

## Justering av hyperparametere

Valget av `eps` og `min_samples` har stor innvirkning på resultatet av klyngingen. Prøv ulike verdier for å finne det som fungerer best for dine data. For eksempel, hvis `eps` er for stor, kan alle punktene havne i **én klynge**. Hvis `eps` er for liten, kan mange punkter klassifiseres som **støy**. Det er også mulig å skalere egenskapene.

Hvilken påstand beskriver best effekten av parameteren `eps` i DBSCAN-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.

Implementering på Dummy-datasett

Justering av hyperparametere

Implementering på Dummy-datasett

Justering av hyperparametere