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** (Density-Based Spatial Clustering of Applications with Noise) erbjuder ett kraftfullt alternativ till traditionella klustringsalgoritmer som K-means och hierarkisk klustring, särskilt vid hantering av **kluster med godtyckliga former** och **datamängder som innehåller brus**.

Definition

Tabellen ovan belyser de viktigaste fördelarna med DBSCAN: dess förmåga att hitta kluster av **vilken form som helst**, dess robusthet mot **brus** och dess **automatiska bestämning** av antalet kluster.

Därför är **DBSCAN** särskilt väl lämpad för scenarier där:
- Kluster har oregelbundna former;
- Bruspunkt finns och behöver identifieras;
- Antalet kluster inte är känt i förväg;
- Datatätheten varierar över datamängden.

I vilket scenario är DBSCAN troligtvis bättre än K-means och hierarkisk klustring?

Utforska kraften i dolda mönster med osupervised learning. Behärska de mest inflytelserika klustringsalgoritmerna, inklusive K-Means, Hierarkisk Klustring, DBSCAN och Gaussiska Mixturmodeller. Lär dig att utvärdera klusterkvalitet med hjälp av WSS och Silhouette-poäng, hantera olika avståndsmått och implementera robusta lösningar på verkliga datamängder. Bygg färdigheter för att segmentera kunder och upptäcka strukturer i oetiketterad data med Scikit-learn.

Varför DBSCAN?