Clustering de densidad con DBSCAN

Tu objetivo es aplicar el algoritmo DBSCAN para realizar agrupamientos basados en densidad en un conjunto de datos bidimensional.

Conjunto de datos: Utiliza el conjunto de datos make_moons de sklearn.datasets para generar datos con estructuras no lineales. Genera un conjunto de datos con 300 muestras y 0.05 de ruido.

DBSCAN: Implementa el algoritmo DBSCAN desde scikit-learn con los siguientes requisitos:

• Ajusta el modelo utilizando el conjunto de datos generados de make_moons.
• Explora el uso de diferentes valores para los parámetros eps y min_samples para obtener una buena separación de los clústeres. Sugiere valores de inicio de eps=0.2 y min_samples=5.

Visualización y análisis:

• Visualiza los resultados del agrupamiento colorando los puntos de datos de acuerdo a las etiquetas asignadas por DBSCAN.
• Etiquetas: Los clústeres se representarán con números enteros, y los puntos de ruido con -1.

Evaluación: Evalúa la calidad del modelo obtenido empleando el coeficiente de silhouette. Si aún no hay clústeres definidos por los parámetros que elegiste, ajusta eps y min_samples hasta que el coeficiente devuelva un valor válido.