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)

**Koppelingsmethoden** bepalen hoe de afstand tussen clusters wordt gemeten bij het stapsgewijs opbouwen van clusters. Verschillende koppelingen creëren **verschillende clusterstructuren**.

- Gebruikt de **kortste afstand** tussen punten in twee clusters;
- Verbindt clusters wanneer **enige punten dicht bij elkaar komen**;
- Creëert lange, kettingachtige clusters;
- Geschikt voor onregelmatige vormen;
- Gevoelig voor ruis.

Single Linkage

- Gebruikt de **langste afstand** tussen punten in twee clusters;
- Verbindt clusters alleen wanneer **alle punten relatief dicht bij elkaar zijn**;
- Creëert compacte, bolvormige clusters;
- Minder kettingvorming;
- Robuuster tegen ruis.

Complete Linkage

- Gebruikt de **gemiddelde afstand** tussen alle paren van punten uit twee clusters;
- Een compromis tussen single en complete linkage;
- Vaak een goed evenwicht.

Average Linkage

- Gebruikt de **afstand tussen de centroiden** van twee clusters;
- Centroid is de gemiddelde positie van alle punten in het cluster;
- Kan soms inversies veroorzaken (clusters komen dichterbij naarmate ze groeien);
- Geschikt voor geometrisch betekenisvolle clustering.

Centroid Linkage

Gemiddelde afstand tussen punten in clusters

Sectiesamenvatting downloaden

Welke linkage-methode staat bekend om het creëren van lange, aaneengeschakelde clusters en is het meest gevoelig voor ruis?

Verkrijg een grondig begrip van clusteranalyse, een belangrijke unsupervised learning-techniek voor het ontdekken van patronen in niet-gelabelde data. Verken de basisprincipes van K-Means, hiërarchische clustering, DBSCAN en GMM's, en doe praktische ervaring op met echte datasets om vertrouwen te krijgen in het toepassen van clustering op praktijkproblemen.

Verdiep u in de basisprincipes van clustering en ontdek het verschil met classificatie.
Verken essentiële algoritmen, tools en bibliotheken die deze unsupervised learning-techniek aandrijven om verborgen patronen in data te onthullen.

Verkrijg een grondig begrip van essentiële preprocessietechnieken die effectieve clustering waarborgen.
Behandeling van ontbrekende waarden.
Codering van categorische kenmerken.
Normalisatie van gegevens.
Selectie van geschikte afstandsmaatstaven en koppelingen ter verbetering van de clusteringnauwkeurigheid.

Beheers de vaardigheden die nodig zijn om K-Means-clustering effectief toe te passen. Leer hoe het algoritme werkt, bepaal het optimale aantal clusters en doe praktische ervaring op met het implementeren van K-Means op zowel synthetische als realistische datasets.

Ontdek de basisprincipes van hiërarchische clustering en leer hoe u gegevens groepeert in betekenisvolle clusters met behulp van dendrogrammen. Vergroot het vertrouwen in het identificeren van het optimale aantal clusters en het toepassen van de techniek op zowel synthetische als realistische datasets.

Ontdek hoe DBSCAN uitblinkt in het detecteren van clusters met verschillende vormen en het omgaan met ruis in data. Begrijp de werking van dit dichtheidsgebaseerde algoritme, de toewijzing van punten aan clusters en de toepassing op zowel synthetische als echte datasets met vertrouwen.

Verkrijg een grondig begrip van Gaussiaanse mengmodellen en hoe deze waarschijnlijkheid gebruiken om complexe clusterstructuren te modelleren. Inzicht in de principes van de Gauss-verdeling, verkenning van de werking van GMM's en het opbouwen van vertrouwen door toepassing op zowel fictieve als realistische gegevens.

Koppelingen