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** (Agrupamento Espacial Baseado em Densidade de Aplicações com Ruído) oferece uma alternativa poderosa aos algoritmos tradicionais de agrupamento, como K-means e agrupamento hierárquico, especialmente ao lidar com **agrupamentos de formas arbitrárias** e **conjuntos de dados contendo ruído**.

Definição

A tabela acima destaca as principais vantagens do DBSCAN: sua capacidade de encontrar agrupamentos de **qualquer formato**, sua robustez ao **ruído** e a **determinação automática** do número de agrupamentos.

Portanto, o **DBSCAN** é especialmente adequado para cenários em que:
- Os agrupamentos possuem formas irregulares;
- Pontos de ruído estão presentes e precisam ser identificados;
- O número de agrupamentos não é conhecido previamente;
- A densidade dos dados varia ao longo do conjunto de dados.

Em qual cenário o DBSCAN provavelmente supera o K-means e o agrupamento hierárquico?

Explore o poder dos padrões ocultos com aprendizado não supervisionado. Domine os algoritmos de clusterização mais influentes, incluindo K-Means, Clusterização Hierárquica, DBSCAN e Modelos de Mistura Gaussiana. Aprenda a avaliar a qualidade dos clusters utilizando WSS e escores de Silhouette, lidar com diferentes medidas de distância e implementar soluções robustas em conjuntos de dados do mundo real. Desenvolva habilidades para segmentar clientes e descobrir estruturas em dados não rotulados utilizando Scikit-learn.

Por Que DBSCAN?