Summary  
This chapter explains how to compute distances between points in N-dimensional space using Euclidean and Manhattan metrics—both by implementing the mathematical formulas manually and by calling functions like SciPy’s euclidean and CityBlock. It also shows how to extend these measures to any number of dimensions and treat the choice of metric as a hyperparameter.

General domain of usage  
Clustering algorithms in machine learning

Klynging grupperer lignende datapunkter. For å gjøre dette, må du måle **"avstanden"** mellom punktene. Avstandsmål forteller deg hvor **like** eller **forskjellige** datapunktene er. Å velge riktig avstandsmål er viktig.

Vi skal se på to vanlige avstandsmål: **Euklidisk avstand** og **Manhattan-avstand**.

## Euklidisk avstand

**Euklidisk avstand** er som å måle den rette linjeavstanden mellom to punkter. Tenk deg at du ser på et kart og måler **avstanden mellom to byer** i luftlinje. Det er euklidisk avstand. Dette er den vanligste måten å måle avstand på.

Tenk på det enkelt som "luftlinjeavstand". Det fungerer godt når du vil vite den direkte avstanden og **alle retninger er like viktige**.

For eksempel, hvis du har to punkter, kan du tenke deg å bruke en linjal for å måle rett mellom dem.

## Manhattan-avstand

**Manhattan-avstand** er som å måle avstand i en by der du må gå langs kvartalene. Du **kan ikke gå diagonalt** gjennom bygninger; du må følge gatene. Det kalles også **city block**-avstand. Dette er akkurat Manhattan-avstand.

Tenk på det som å gå kvartaler i byen. Det er nyttig når bevegelse er begrenset til **horisontale** og **vertikale** retninger, eller når du ønsker å være mindre følsom for store forskjeller i bare én retning.

Hvilket avstandsmål er mest hensiktsmessig når bevegelse er begrenset til horisontale og vertikale retninger?

Få en solid forståelse av klyngeanalyse, en sentral usupervisert læringsteknikk for å avdekke mønstre i umerkede data. Utforsk det grunnleggende om K-Means, hierarkisk klynging, DBSCAN og GMM, og få praktisk erfaring med ekte datasett for å bygge selvtillit i anvendelse av klyngeanalyse på reelle problemer.

Fordyp deg i det grunnleggende innen klyngeanalyse og oppdag hvordan det skiller seg fra klassifisering. Utforsk sentrale algoritmer, verktøy og biblioteker som driver denne teknikken for ikke-veiledet læring for å avdekke skjulte mønstre i data.

Få en grundig forståelse av sentrale forhåndsbehandlingsteknikker som sikrer effektiv klyngeanalyse. Lær hvordan man håndterer manglende verdier, koder kategoriske egenskaper, normaliserer data og velger passende avstandsmål og koblinger for å øke nøyaktigheten i klyngeanalysen.

Behersk ferdighetene som kreves for å anvende K-Means-klynging effektivt. Lær hvordan algoritmen fungerer, bestem det optimale antallet klynger, og få praktisk erfaring ved å implementere K-Means på både syntetiske og virkelige datasett.

Utforsk det grunnleggende innen hierarkisk klynging og lær hvordan data kan grupperes i meningsfulle klynger ved hjelp av dendrogrammer. Bygg trygghet i å identifisere det optimale antallet klynger og implementere teknikken på både syntetiske og virkelige datasett.

Utforsk hvordan DBSCAN utmerker seg i å oppdage klynger med varierende former og håndtere støy i data. Lær mekanismene bak denne tetthetsbaserte algoritmen, hvordan punkter tilordnes klynger, og bruk den på både syntetiske og virkelige datasett med trygghet.

Få en grundig forståelse av gaussiske blandingsmodeller og hvordan de bruker sannsynlighet for å modellere komplekse klyngestrukturer. Prinsipper for gaussisk fordeling, utforskning av hvordan GMM fungerer, samt anvendelse på både dummydata og virkelige datasett.

Avstandsmål

Euklidisk avstand

Manhattan-avstand

Awesome!

Avstandsmål

Euklidisk avstand

Manhattan-avstand