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)

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 enligt följande:

1.  Instansiera `DBSCAN`-objektet och ange `eps` samt `min_samples`;
2.  Anpassa modellen till dina data;
3.  Visualisera 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.

Vilket påstående beskriver bäst effekten av parametern `eps` i DBSCAN-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.

Implementering på Dummy-Dataset

Justering av hyperparametrar

Implementering på Dummy-Dataset

Justering av hyperparametrar