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)

**Методи зв'язування** визначають, як вимірювати відстань між кластерами під час поетапного формування кластерів. Різні методи зв'язування створюють **різні форми кластерів**.

- Використовує **найменшу відстань** між точками у двох кластерах;
- Об'єднує кластери, коли **будь-які точки наближаються**;
- Створює довгі, ланцюгові кластери;
- Підходить для неправильних форм;
- Чутливий до шуму.

Одиничне зв'язування

- Використовує **найбільшу відстань** між точками у двох кластерах;
- Об'єднує кластери лише тоді, коли **всі точки відносно близько**;
- Створює компактні, сферичні кластери;
- Менше ланцюгових структур;
- Більш стійкий до шуму.

Повне зв'язування

- Використовує **середню відстань** між усіма парами точок з двох кластерів;
- Компроміс між одиничним і повним зв'язуванням;
- Часто забезпечує гарний баланс.

Середнє зв'язування

- Використовує **відстань між центроїдами** двох кластерів;
- Центроїд — це середнє положення всіх точок у кластері;
- Іноді може спричиняти інверсії (кластер стає ближчим у міру зростання);
- Підходить для геометрично осмисленого кластерування.

Центроїдне зв'язування

Мінімальна відстань між точками у кластерах

Ланцюгові, неправильні кластери

Максимальна відстань між точками у кластерах

Компактні, добре розділені кластери

Середня відстань між точками у кластерах

Мінімізує дисперсію всередині кластерів

Компактні, однорідні кластери

Завантажити підсумок розділу

Який метод зв'язування відомий створенням довгих, ланцюжкових кластерів і є найбільш чутливим до шуму?

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.

Зв'язки