Summary  
This chapter demonstrates how to implement the DBSCAN density-based clustering algorithm in code: you generate dummy datasets, fit DBSCAN with specified eps and min_samples, distinguish core vs. border points, and visualize the resulting clusters.  

General domain of usage  
Unsupervised machine learning (cluster analysis)

Du vil opprette to datasett for å demonstrere styrkene til DBSCAN:

- **Moons:** to sammenflettede halvsirkler;
- **Circles:** en liten sirkel inni en større sirkel.

Algoritmen er som følger:

1.  Du instansierer `DBSCAN`-objektet og setter `eps` og `min_samples`;

2.  Du tilpasser modellen til dataene dine;

3.  Du visualiserer resultatene ved å plotte **datapunktene** og farge dem etter deres tildelte **klyngeetiketter**.

## Justering av hyperparametere

Valget av `eps` og `min_samples` har stor innvirkning på resultatet av klyngingen. Eksperimenter med ulike verdier for å finne det som fungerer best for dine data. For eksempel, hvis `eps` er for stor, kan alle punktene havne i **én enkelt klynge**. Hvis `eps` er for liten, kan mange punkter bli klassifisert som **støy**. Du kan også skalere egenskapene.

Få en solid forståelse av klyngeanalyse, en sentral usupervisert læringsteknikk for å avdekke mønstre i umerkede data. Utforsk det grunnleggende innen K-Means, hierarkisk klyngeanalyse, DBSCAN og GMM-er, og få praktisk erfaring med ekte datasett for å bygge selvtillit i anvendelse av klyngeanalyse 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 data kan grupperes 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 klyngestrukturer. Prinsipper for gaussisk fordeling, utforskning av hvordan GMM fungerer, samt anvendelse på både dummydata og virkelige datasett.

Implementering på Dummy Datasett

Justering av hyperparametere

Implementering på Dummy Datasett

Justering av hyperparametere