Summary  
This chapter demonstrates how to scale features and implement DBSCAN clustering—tuning its epsilon and minimum-samples parameters—to identify arbitrarily shaped clusters and detect outliers, then visualize the results.  

General domain of usage  
Customer segmentation

Du kommer att använda **mall customers**-datasetet, som innehåller följande kolumner:

Du bör också följa dessa steg innan klustring:
     
1.  **Ladda in data:** använd `pandas` för att ladda CSV-filen;
2.  **Välj relevanta variabler:** fokusera på kolumnerna `'Annual Income (k$)'` och `'Spending Score (1-100)'`;
3.  **Dataskalning (viktigt för DBSCAN):** eftersom DBSCAN använder avståndsberäkningar är det avgörande att skala variablerna till liknande intervall. Använd `StandardScaler` för detta ändamål.

## Tolkning 

Koden skapar **5 kluster** i detta fall. Det är viktigt att analysera de resulterande klustren för att få insikter om **kundsegmentering**. Till exempel kan du identifiera kluster som representerar: 

- Hög inkomst, hög konsumtion;     

- Hög inkomst, låg konsumtion;    

- Låg inkomst, hög konsumtion;     

- Låg inkomst, låg konsumtion; 

- Medellåg inkomst, medelhög konsumtion.

Få en gedigen förståelse för klusteranalys, en central teknik inom osupervised learning för att identifiera mönster i oetiketterad data. Utforska grunderna i K-Means, Hierarkisk Klustring, DBSCAN och GMM, samt få praktisk erfarenhet med verkliga datamängder för att bygga förtroende i att tillämpa klustring på verkliga problem.

Fördjupa dig i grunderna för klustring och upptäck hur det skiljer sig från klassificering. Utforska viktiga algoritmer, verktyg och bibliotek som driver denna oövervakade inlärningsteknik för att avslöja dolda mönster i data.

Få en gedigen förståelse för viktiga förbehandlingstekniker som säkerställer effektiv klustring. Lär dig hantera saknade värden, koda kategoriska variabler, normalisera data samt välja lämpliga avståndsmått och länkningar för att öka klustringsnoggrannheten.

Behärska de färdigheter som krävs för att tillämpa K-Means-klustring effektivt. Förstå hur algoritmen fungerar, fastställ det optimala antalet kluster och få praktisk erfarenhet genom att implementera K-Means på både syntetiska och verkliga datamängder.

Utforska grunderna i hierarkisk klustring och lär dig hur data kan grupperas i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga datamängder.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, tilldelning av punkter till kluster samt tillämpning på både syntetiska och verkliga datamängder med säkerhet.

Få en gedigen förståelse för Gaussiska Mixturmodeller och hur de använder sannolikhet för att modellera komplexa klusterformer. Utforska principerna för Gaussisk fördelning, undersök hur Gaussiska Mixturmodeller fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Implementering på Verklig Datamängd

Tolkning

Avslutande anmärkningar

Awesome!

Implementering på Verklig Datamängd

Tolkning

Avslutande anmärkningar