Summary  
This chapter demonstrates how to implement code for computing Euclidean and Manhattan distance metrics to measure similarity between multi-dimensional data points.  

General domain of usage  
Clustering algorithms

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

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

## Euklidsk avstand

**Euklidsk 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 euklidsk avstand. Dette er den vanligste måten å måle avstand på.

Tenk på det 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 en by. 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?

Utforsk kraften i skjulte mønstre med usupervisert læring. Behersk de mest innflytelsesrike klyngealgoritmene, inkludert K-Means, hierarkisk klynging, DBSCAN og Gaussiske blandingsmodeller. Lær å evaluere klyngekvalitet ved hjelp av WSS og Silhouette-score, håndtere ulike avstandsmål og implementere robuste løsninger på virkelige datasett. Bygg ferdigheter for å segmentere kunder og oppdage strukturer i umerkede data ved bruk av Scikit-learn.