Summary  
This chapter demonstrates how to scale features and implement DBSCAN clustering—tuning its epsilon and minimum-samples parameters—to identify arbitrarily shaped clusters and detect outliers, then visualize the results.  

General domain of usage  
Customer segmentation

Du skal bruke **mall customers**-datasettet, som inneholder følgende kolonner:

Du bør også følge disse stegene før klynging:
     
1.  **Last inn data:** bruk `pandas` for å laste inn CSV-filen;
2.  **Velg relevante variabler:** fokuser på kolonnene `'Annual Income (k$)'` og `'Spending Score (1-100)'`;
3.  **Skalering av data (viktig for DBSCAN):** siden DBSCAN benytter avstandsmålinger, er det avgjørende å skalere variabler slik at de har tilsvarende intervaller. Du kan bruke `StandardScaler` til dette formålet.

## Tolkning 

Koden oppretter **5 klynger** i dette tilfellet. Det er viktig å analysere de resulterende klyngene for å få innsikt i **kundesegmentering**. For eksempel kan du finne klynger som representerer: 

- Høy inntekt, høyt forbruk;

- Høy inntekt, lavt forbruk;

- Lav inntekt, høyt forbruk;

- Lav inntekt, lavt forbruk;

- Middels inntekt, middels forbruk.

Få en solid forståelse av klyngeanalyse, en sentral usupervisert læringsteknikk for å avdekke mønstre i umerkede data. Utforsk det grunnleggende om K-Means, hierarkisk klynging, DBSCAN og GMM, og få praktisk erfaring med ekte datasett for å bygge selvtillit i anvendelse av klynging på reelle problemer.

Fordyp deg i det grunnleggende innen klyngeanalyse og oppdag hvordan det skiller seg fra klassifisering. Utforsk sentrale algoritmer, verktøy og biblioteker som driver denne teknikken for ikke-veiledet læring for å avdekke skjulte mønstre i data.

Få en grundig forståelse av sentrale forhåndsbehandlingsteknikker som sikrer effektiv klyngeanalyse. Lær hvordan man håndterer manglende verdier, koder kategoriske egenskaper, normaliserer data og velger passende avstandsmål og koblinger for å øke nøyaktigheten i klyngeanalysen.

Behersk ferdighetene som kreves for å anvende K-Means-klynging effektivt. Lær hvordan algoritmen fungerer, bestem det optimale antallet klynger, og få praktisk erfaring ved å implementere K-Means på både syntetiske og virkelige datasett.

Utforsk det grunnleggende innen hierarkisk klynging og lær hvordan man grupperer data i meningsfulle klynger ved hjelp av dendrogrammer. Bygg trygghet i å identifisere det optimale antallet klynger og implementere teknikken på både syntetiske og virkelige datasett.

Utforsk hvordan DBSCAN utmerker seg i å oppdage klynger med varierende former og håndtere støy i data. Lær mekanismene bak denne tetthetsbaserte algoritmen, hvordan punkter tilordnes klynger, og bruk den på både syntetiske og virkelige datasett med trygghet.

Få en grundig forståelse av Gaussiske blandingsmodeller og hvordan de bruker sannsynlighet for å modellere komplekse klyngeformer. Utforsk prinsippene for Gaussisk fordeling, lær hvordan GMM fungerer, og bygg selvtillit ved å anvende dem på både dummydata og virkelige data.

Implementering på Ekte Datasett

Tolkning

Avsluttende bemerkninger

Awesome!

Implementering på Ekte Datasett

Tolkning

Avsluttende bemerkninger