Summary  
This chapter introduces soft clustering by using Gaussian mixture models to assign probabilistic cluster memberships and handle overlapping, non-spherical clusters where hard-boundary methods like k-means and DBSCAN fail.

General domain of usage  
Customer segmentation

## Myk klynging

**Myk klynging** tildeler **sannsynligheter** for tilhørighet til hver klynge i stedet for å plassere hvert datapunkt i kun én gruppe. Denne tilnærmingen er spesielt nyttig når **klynger overlapper** eller når datapunkter ligger nær **grensen** mellom flere klynger. Det brukes mye i applikasjoner som **kundesegmentering**, der enkeltpersoner kan vise atferd som tilhører flere grupper samtidig.

## Problemer med K-Means og DBSCAN

Klyngingsalgoritmer som **K-means** og **DBSCAN** er kraftige, men har begrensninger: 

Begge algoritmene møter utfordringer med høy-dimensjonale data og overlappende klynger. Disse begrensningene understreker behovet for fleksible tilnærminger som **Gaussiske blandingsmodeller**, som håndterer komplekse datadistribusjoner mer effektivt.
For eksempel, vurder denne typen data:

Hva er hovedtrekket ved myk klynging som skiller det fra harde klyngemetoder som K-means?

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.

Problemstilling

Myk klynging

Problemer med K-Means og DBSCAN

Problemstilling

Myk klynging

Problemer med K-Means og DBSCAN