Summary  
This chapter explains how classification and clustering differ in their learning types, input data labels, goals, and outputs, with classification assigning known labels to data points and clustering discovering groupings in unlabeled data.

General domain of usage  
Spam detection

**Klyngedannelse** og **klassificering** er forskellige maskinlæringsteknikker med separate mål.

**Klassificering** handler om at sortere i kendte kategorier (som at sortere post i forudmærkede kasser). **Klyngedannelse** handler derimod om at opdage kategorier (som at finde grupper i usorteret post).

Klassificering anvendes ofte til **spamdetektion** eller **billedgenkendelse**, hvor kategorierne er foruddefinerede. Omvendt bruges klyngedannelse i situationer som **kundesegmentering** eller **opdagelse af emner i en samling af dokumenter**, hvor målet er at afsløre skjulte mønstre eller grupperinger.

Kort sagt handler klassificering om at forudsige **kendte kategorier**, mens klyngedannelse hjælper med at opdage **ukendte grupperinger**. Valget mellem de to afhænger af karakteren af dine data og det problem, du forsøger at løse.

Hvilket af følgende fremhæver bedst forskellen mellem klassificering og klyngedannelse?

Udforsk styrken ved skjulte mønstre med ikke-superviseret læring. Behersk de mest indflydelsesrige klyngealgoritmer, herunder K-Means, hierarkisk klyngedannelse, DBSCAN og Gaussiske blandingsmodeller. Lær at evaluere klyngekvalitet ved hjælp af WSS og Silhouette-scorer, håndtere forskellige afstandsmål og implementere robuste løsninger på virkelige datasæt. Opbyg færdigheder til at segmentere kunder og opdage strukturer i uetiketterede data ved brug af Scikit-learn.

Klyngedannelse vs Klassifikation

Klyngedannelse vs Klassifikation