Summary  
This chapter demonstrates how to implement density-based spatial clustering (DBSCAN) in code by loading and selecting numerical features, scaling them, fitting the DBSCAN model with tuned hyperparameters (epsilon and minimum samples), detecting clusters and outliers, and visualizing the clustered results.

General domain of usage  
Customer segmentation in retail analytics

Ви будете використовувати набір даних **mall customers**, який містить такі стовпці:

Також слід виконати наступні кроки перед кластеризацією:
     
1.  **Завантаження даних:** використання `pandas` для завантаження CSV-файлу;
2.  **Вибір релевантних ознак:** фокусування на стовпцях `'Annual Income (k$)'` та `'Spending Score (1-100)'`;
3.  **Масштабування даних (важливо для DBSCAN):** оскільки DBSCAN використовує обчислення відстаней, важливо масштабувати ознаки до подібних діапазонів. Для цього можна використати `StandardScaler`.

## Інтерпретація

У цьому випадку код створює **5 кластерів**. Важливо проаналізувати отримані кластери для отримання уявлення про **сегментацію клієнтів**. Наприклад, можна виявити кластери, що представляють:

- Клієнти з високим доходом і високими витратами;
- Клієнти з високим доходом і низькими витратами;
- Клієнти з низьким доходом і високими витратами;
- Клієнти з низьким доходом і низькими витратами;
- Клієнти із середнім доходом і середніми витратами.

## Підсумкові зауваження



Отримайте ґрунтовне розуміння кластерного аналізу — ключового методу неконтрольованого навчання для виявлення закономірностей у неозначених даних. Дослідіть основи K-Means, ієрархічного кластерування, DBSCAN та GMM, а також отримайте практичний досвід роботи з реальними наборами даних для впевненого застосування кластеризації до реальних задач.

Занурення в основи кластеризації та виявлення відмінностей від класифікації. Огляд основних алгоритмів, інструментів і бібліотек, що забезпечують роботу цього методу неконтрольованого навчання для виявлення прихованих закономірностей у даних.

Отримайте ґрунтовне розуміння ключових методів попередньої обробки, які забезпечують ефективне кластерування. Дізнайтеся, як обробляти пропущені значення, кодувати категоріальні ознаки, нормалізувати дані та обирати відповідні міри відстані й методи зв’язування для підвищення точності кластеризації.

Опановуйте навички, необхідні для ефективного застосування кластеризації K-Means. Дізнайтеся, як працює алгоритм, визначайте оптимальну кількість кластерів та отримуйте практичний досвід, впроваджуючи K-Means на синтетичних і реальних наборах даних.

Ознайомлення з основами ієрархічного кластерування та групування даних у змістовні кластери за допомогою дендрограм. Формування впевненості у визначенні оптимальної кількості кластерів і застосуванні методу до синтетичних і реальних наборів даних.

Дізнайтеся, як DBSCAN ефективно виявляє кластери різної форми та обробляє шум у даних. Ознайомтеся з принципами роботи цього алгоритму на основі щільності, методами призначення точок до кластерів і застосуванням до синтетичних та реальних наборів даних.

Отримайте ґрунтовне розуміння моделей змішування Гауса та того, як вони використовують ймовірність для моделювання складних форм кластерів. Ознайомтеся з принципами гаусового розподілу, дослідіть роботу GMM та закріпіть знання шляхом застосування до тестових і реальних даних.

Реалізація на реальному наборі даних

Інтерпретація

Підсумкові зауваження