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.

Ви створите два набори даних для демонстрації переваг DBSCAN:

- **Moons:** дві переплетені напівкола;

- **Circles:** мале коло всередині більшого кола.

Алгоритм виглядає наступним чином:

1. Створення об'єкта `DBSCAN` із заданими параметрами `eps` та `min_samples`;

2. Навчання моделі на ваших даних;

3. Візуалізація результатів шляхом побудови **точок даних** з розфарбуванням відповідно до призначених **кластерних міток**.

## Налаштування гіперпараметрів

Вибір `eps` та `min_samples` суттєво впливає на результат кластеризації. Експериментуйте з різними значеннями, щоб знайти оптимальні для ваших даних. Наприклад, якщо `eps` занадто велике, всі точки можуть опинитися в **одному кластері**. Якщо `eps` занадто мале, багато точок можуть бути класифіковані як **шум**. Також можна масштабувати ознаки.

Отримайте ґрунтовне розуміння кластерного аналізу — ключового методу неконтрольованого навчання для виявлення закономірностей у нерозмічених даних. Ознайомтеся з основами 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.

Отримання ґрунтовного розуміння ключових методів попередньої обробки, що забезпечують ефективне кластерування. Опанування методів обробки пропущених значень, кодування категоріальних ознак, нормалізації даних, а також вибору відповідних метрик відстані та зв'язків для підвищення точності кластеризації.

Опанування навичок ефективного застосування кластеризації K-Means. Вивчення принципів роботи алгоритму, визначення оптимальної кількості кластерів, набуття практичного досвіду впровадження 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 і закріпіть знання шляхом застосування до штучних і реальних даних.

Реалізація на Тестовому Наборі Даних

Налаштування гіперпараметрів

Awesome!

Реалізація на Тестовому Наборі Даних

Налаштування гіперпараметрів