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)

Je maakt twee datasets aan om de sterke punten van DBSCAN te demonstreren:

- **Moons:** twee in elkaar grijpende halve cirkels;
- **Circles:** een kleine cirkel binnen een grotere cirkel.

Het algoritme verloopt als volgt:

1.  Instantieer het `DBSCAN`-object en stel `eps` en `min_samples` in;
2.  Pas het model toe op de data;
3.  Visualiseer de resultaten door de **datapunten** te plotten en deze te kleuren op basis van hun toegewezen **clusterlabels**.

## Hyperparameters afstemmen

De keuze van `eps` en `min_samples` heeft een grote invloed op het resultaat van de clustering. Experimenteer met verschillende waarden om te bepalen wat het beste werkt voor jouw data. Als `eps` bijvoorbeeld te groot is, kunnen alle punten in **één cluster** terechtkomen. Als `eps` te klein is, worden veel punten als **ruis** geclassificeerd. Je kunt ook de features schalen.

Welke uitspraak beschrijft het beste het effect van de parameter `eps` in DBSCAN-clustering?

Ontdek de kracht van verborgen patronen met unsupervised learning. Beheers de meest invloedrijke clustering-algoritmen, waaronder K-Means, Hiërarchische Clustering, DBSCAN en Gaussian Mixture Models. Leer de kwaliteit van clusters te evalueren met behulp van WSS en Silhouette-scores, verschillende afstandsmaatstaven te hanteren en robuuste oplossingen te implementeren op echte datasets. Ontwikkel vaardigheden om klantsegmentatie uit te voeren en structuren te ontdekken in niet-gelabelde data met Scikit-learn.

Implementatie op Dummy Dataset

Hyperparameters afstemmen

Implementatie op Dummy Dataset

Hyperparameters afstemmen