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)

Ви створите два набори даних для демонстрації переваг DBSCAN:

- **Moons:** дві переплетені півкола;
- **Circles:** мале коло всередині більшого кола.

Алгоритм виглядає наступним чином:

1. Створення об'єкта `DBSCAN`, встановлення параметрів `eps` та `min_samples`;

2. Навчання моделі на ваших даних;

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

## 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 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 Тестовому Наборі Даних

Налаштування гіперпараметрів

Реалізація на Тестовому Наборі Даних

Налаштування гіперпараметрів