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)

**Länkningsmetoder** bestämmer hur avståndet mellan kluster mäts när kluster byggs steg för steg. Olika länkningsmetoder skapar **olika klusterformer**.

- Använder det **kortaste avståndet** mellan punkter i två kluster;
- Kopplar samman kluster när **några punkter kommer nära varandra**;
- Skapar långa, kedjeliknande kluster;
- Bra för oregelbundna former;
- Känslig för brus.

Enkel länkning

- Använder det **längsta avståndet** mellan punkter i två kluster;
- Kopplar samman kluster endast när **alla punkter är relativt nära**;
- Skapar kompakta, sfäriska kluster;
- Mindre kedjebildning;
- Mer robust mot brus.

Fullständig länkning

- Använder det **genomsnittliga avståndet** mellan alla punktpar från två kluster;
- En kompromiss mellan enkel och fullständig länkning;
- Ofta en bra balans.

Genomsnittlig länkning

- Använder **avståndet mellan centroiden** för två kluster;
- Centroiden är medelpositionen för alla punkter i klustret;
- Kan ibland orsaka inversioner (kluster kommer närmare varandra när de växer);
- Bra för geometriskt meningsfull klustring.

Centroidlänkning

Minsta avståndet mellan punkter i kluster

Största avståndet mellan punkter i kluster

Genomsnittligt avstånd mellan punkter i kluster

Ladda ner sektionssammanfattning

Vilken länkmetod är känd för att skapa långa, kedjeliknande kluster och är mest känslig för brus?

Få en gedigen förståelse för klusteranalys, en central teknik inom osupervised learning för att identifiera mönster i oetiketterad data. Utforska grunderna i K-Means, Hierarkisk klustring, DBSCAN och GMM, samt få praktisk erfarenhet med verkliga datamängder för att bygga upp förtroende i att tillämpa klustring på verkliga problem.

Fördjupa dig i grunderna för klustring och upptäck hur det skiljer sig från klassificering. Utforska grundläggande algoritmer, verktyg och bibliotek som driver denna oövervakade inlärningsteknik för att avslöja dolda mönster i data.

Få en gedigen förståelse för centrala förbehandlingstekniker som säkerställer effektiv klustring.
Hantering av saknade värden.
Kodning av kategoriska variabler.
Normalisering av data.
Val av lämpliga avståndsmått och länkningar för att förbättra klustringsnoggrannheten.

Behärska de färdigheter som krävs för att tillämpa K-Means-klustring effektivt. Förstå hur algoritmen fungerar, fastställ det optimala antalet kluster och få praktisk erfarenhet genom att implementera K-Means på både syntetiska och verkliga datamängder.

Utforska grunderna i hierarkisk klustring och lär dig att gruppera data i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga dataset.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, hur punkter tilldelas kluster samt tillämpa den på både syntetiska och verkliga datamängder med säkerhet.

Få en gedigen förståelse för Gaussiska Mixturmodeller och hur de använder sannolikhet för att modellera komplexa klusterformer. Utforska principerna bakom Gaussisk fördelning, undersök hur GMM fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Länkningar