Summary  
This chapter demonstrates how to preprocess data with feature scaling and PCA, perform hierarchical clustering using Ward linkage, generate and cut a dendrogram, select the optimal number of clusters via silhouette scores, and visualize the resulting clusters in two dimensions.

General domain of usage  
Customer segmentation

Du vil bruge kreditkortkundedata. Før du klynger dataene, bør du følge disse trin:

1.  **Indlæs dataene:** brug pandas til at indlæse CSV-filen;

2.  **Håndtering af manglende værdier:** om nødvendigt, imputér eller fjern rækker med manglende data;

3.  **Feature scaling:** anvend `StandardScaler` for at skalere egenskaberne. Dette er vigtigt, da hierarkisk klyngedannelse benytter afstandsberegninger;

4.  **Dimensionalitetsreduktion (PCA):** anvend principal component analysis (PCA) for at reducere dataene til to dimensioner. Dette gør det lettere at visualisere klyngerne.

## Fortolkning af dendrogrammet

Først bør du analysere **dendrogrammet** for at bestemme et passende antal klynger. Kig efter store lodrette afstande, der ikke krydses af nogen forlængede vandrette linjer.

Dernæst kan du plotte datapunkterne efter PCA og farve dem i henhold til **klyngeetiketterne** opnået ved at skære dendrogrammet ved den valgte højde.

Endelig bør du undersøge karakteristikaene for de resulterende klynger. Det anbefales at se på **gennemsnitsværdierne af de oprindelige egenskaber** (før PCA) for hver klynge for at forstå, hvordan klyngerne adskiller sig.

## Konklusion 

Hierarkisk klyngeanalyse er en effektiv teknik, når du **ikke ønsker at forudbestemme antallet af klynger**, eller når du har behov for at forstå de **hierarkiske relationer** mellem datapunkter. Dog kan det være **beregningsmæssigt krævende** for meget store datasæt, og valget af den rette sammenkoblingsmetode samt det optimale antal klynger kræver omhyggelig overvejelse og involverer ofte en kombination af kvantitative metoder og domæneekspertise.

Opnå en solid forståelse af klyngeanalyse, en central ikke-superviseret læringsteknik til at afdække mønstre i uetiketterede data. Udforsk det grundlæggende i K-Means, Hierarkisk Klyngedannelse, DBSCAN og GMM'er, og få praktisk erfaring med rigtige datasæt for at opbygge selvtillid i anvendelsen af klyngeanalyse på virkelige problemstillinger.

Dyk ned i grundlæggende klyngering og opdag, hvordan det adskiller sig fra klassifikation. Udforsk essentielle algoritmer, værktøjer og biblioteker, der driver denne uovervågede læringsteknik til at afdække skjulte mønstre i data.

Opnå et solidt kendskab til centrale forbehandlingsteknikker, der sikrer effektiv klyngeanalyse. Håndtering af manglende værdier, kodning af kategoriske variable, normalisering af data samt valg af passende afstandsmål og koblinger for at øge nøjagtigheden af klyngeanalysen.

Opnå færdighederne til effektiv anvendelse af K-Means clustering. Forstå algoritmens funktion, fastlæg det optimale antal klynger, og få praktisk erfaring med implementering af K-Means på både syntetiske og virkelige datasæt.

Udforsk det grundlæggende i hierarkisk klyngedannelse og lær, hvordan data grupperes i meningsfulde klynger ved hjælp af dendrogrammer. Opnå fortrolighed med at identificere det optimale antal klynger og implementere teknikken på både syntetiske og virkelige datasæt.

Opdag hvordan DBSCAN udmærker sig ved at identificere klynger med varierende former og håndtere støj i data. Få indsigt i mekanismerne bag denne tæthedsbaserede algoritme, hvordan punkter tildeles klynger, og anvend den på både syntetiske og virkelige datasæt med sikkerhed.

Opnå et solidt kendskab til Gaussian Mixture Models og hvordan de anvender sandsynlighed til at modellere komplekse klyngestrukturer. Forstå principperne bag Gaussisk fordeling, undersøg hvordan GMMs fungerer, og opbyg fortrolighed ved at anvende dem på både dummydata og virkelige datasæt.

Implementering på Kundedatasæt

Fortolkning af dendrogrammet

Konklusion

Awesome!

Implementering på Kundedatasæt

Fortolkning af dendrogrammet

Konklusion