Summary  
This chapter demonstrates how to preprocess numeric features, apply the DBSCAN density-based clustering algorithm with hyperparameter tuning (eps and min_samples), and visualize resulting clusters and outliers on a real dataset.  

General domain of usage  
Customer segmentation in retail marketing

Você utilizará o conjunto de dados **mall customers**, que contém as seguintes colunas:

Você também deve seguir estas etapas antes da clusterização:
     
1.  **Carregar os dados:** utilize `pandas` para carregar o arquivo CSV;
2.  **Selecionar atributos relevantes:** foque nas colunas `'Annual Income (k$)'` e `'Spending Score (1-100)'`;
3.  **Escalonamento dos dados (importante para DBSCAN):** como o DBSCAN utiliza cálculos de distância, é fundamental escalonar os atributos para que tenham faixas semelhantes. Utilize `StandardScaler` para esse propósito.

## Interpretação 

O código cria **5 clusters** neste caso. É importante analisar os clusters resultantes para obter insights sobre a **segmentação de clientes**. Por exemplo, é possível identificar clusters que representam: 

- Clientes de alta renda e alto gasto;     
- Clientes de alta renda e baixo gasto;    
- Clientes de baixa renda e alto gasto;     
- Clientes de baixa renda e baixo gasto; 
- Clientes de renda e gasto intermediários.

Qual afirmação melhor descreve uma vantagem fundamental do uso do DBSCAN para agrupar o conjunto de dados de clientes de shopping?

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 Real

Interpretação

Considerações Finais

Implementação em Conjunto de Dados Real

Interpretação

Considerações Finais