Summary  
This chapter explains linkage methods for hierarchical clustering, detailing how to choose reference points between clusters—such as the closest (single linkage), farthest (complete linkage), centroids, or all point pairs (average linkage)—to compute inter-cluster distances and shape the resulting clusters.

General domain of usage  
Unsupervised machine learning (hierarchical clustering)

**Koblingsmetoder** bestemmer hvordan avstanden mellom klynger måles når klynger bygges trinnvis. Ulike koblinger gir **forskjellige klyngeformer**.

- Bruker **korteste avstand** mellom punkter i to klynger;
- Knytter klynger når **noen punkter kommer nær hverandre**;
- Skaper lange, kjedeaktige klynger;
- Egnet for uregelmessige former;
- Følsom for støy.

Enkeltkobling

- Bruker **lengste avstand** mellom punkter i to klynger;
- Knytter klynger kun når **alle punkter er relativt nær hverandre**;
- Skaper kompakte, sfæriske klynger;
- Mindre kjededannelse;
- Mer robust mot støy.

Fullstendig kobling

- Bruker **gjennomsnittlig avstand** mellom alle punktpar fra to klynger;
- Et kompromiss mellom enkelt- og fullstendig kobling;
- Ofte en god balanse.

Gjennomsnittskobling

- Bruker **avstanden mellom sentroidene** til to klynger;
- Sentroiden er gjennomsnittlig posisjon av alle punkter i klyngen;
- Kan noen ganger føre til inversjoner (klynger kommer nærmere hverandre etter hvert som de vokser);
- Egnet for geometrisk meningsfull klyngedannelse.

Sentroidkobling

Største avstand mellom punkter i klynger

Gjennomsnittlig avstand mellom punkter i klynger

Last ned seksjonssammendrag

Hvilken koblingsmetode er kjent for å skape lange, kjedede klynger og er mest følsom for støy?

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.

Koblinger