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)

Você criará dois conjuntos de dados para demonstrar os pontos fortes do DBSCAN:

- **Moons:** dois semicírculos entrelaçados;
- **Circles:** um círculo pequeno dentro de um círculo maior.

O algoritmo é o seguinte:

1. Instanciar o objeto `DBSCAN`, definindo `eps` e `min_samples`;
2. Ajustar o modelo aos seus dados;
3. Visualizar os resultados plotando os **pontos de dados** e colorindo-os de acordo com seus respectivos **rótulos de cluster**.

## Ajuste de Hiperparâmetros

A escolha de `eps` e `min_samples` impacta significativamente o resultado da clusterização. Experimente diferentes valores para encontrar o que funciona melhor para seus dados. Por exemplo, se `eps` for muito grande, todos os pontos podem acabar em um **único cluster**. Se `eps` for muito pequeno, muitos pontos podem ser classificados como **ruído**. Também é possível escalar as features.

Qual afirmação melhor descreve o efeito do parâmetro `eps` na clusterização DBSCAN?

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.

Implementação em Conjunto de Dados Fictício

Ajuste de Hiperparâmetros

Implementação em Conjunto de Dados Fictício

Ajuste de Hiperparâmetros