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.

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

- **Moons:** to sammenflettede halvsirkler;

- **Circles:** en liten sirkel inne i en større sirkel.

Algoritmen er som følger:

1.  Du oppretter et `DBSCAN`-objekt og setter `eps` og `min_samples`;

2.  Du tilpasser modellen til dataene dine;

3.  Du visualiserer resultatene ved å plotte **datapunktene** og fargelegge 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 klynge**. Hvis `eps` er for liten, kan mange punkter klassifiseres som **støy**. Du kan også skalere funksjonene.

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 Eksempeldata

Justering av hyperparametere

Awesome!

Implementering på Eksempeldata

Justering av hyperparametere