Summary  
This chapter covers implementing the DBSCAN clustering algorithm: generating and scaling dummy data, fitting a DBSCAN model, tuning its `eps` and `min_samples` hyperparameters, and distinguishing core points from border points.  

General domain of usage  
Unsupervised clustering of non-linearly separable data patterns.

Du kommer att skapa två dataset för att demonstrera DBSCAN:s styrkor:

- **Moons:** två sammanflätade halvcirklar;

- **Circles:** en liten cirkel inuti en större cirkel.

Algoritmen är följande:

1.  Du instansierar `DBSCAN`-objektet och anger `eps` och `min_samples`;

2.  Du anpassar modellen till dina data;

3.  Du visualiserar resultaten genom att plotta **datapunkterna** och färglägga dem enligt deras tilldelade **klusteretiketter**.

## Justering av hyperparametrar

Valet av `eps` och `min_samples` påverkar klustringsresultatet avsevärt. Experimentera med olika värden för att hitta det som fungerar bäst för dina data. Om till exempel `eps` är för stort kan alla punkter hamna i ett **enda kluster**. Om `eps` är för litet kan många punkter klassificeras som **brus**. Du kan även skala funktionerna.

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 Dummy-Dataset

Justering av hyperparametrar

Awesome!

Implementering på Dummy-Dataset

Justering av hyperparametrar