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

Clustering groepeert vergelijkbare datapunten. Hiervoor moet de **"afstand"** tussen punten worden gemeten. Afstandsmaatstaven geven aan hoe **gelijk** of **verschillend** datapunten zijn. Het kiezen van de juiste afstandsmaatstaf is belangrijk.

We bekijken twee veelgebruikte afstandsmaatstaven: **Euclidische afstand** en **Manhattan-afstand**.

## Euclidische Afstand

**Euclidische afstand** is vergelijkbaar met het meten van de rechte lijn tussen twee punten. Stel je voor dat je op een kaart kijkt en de **afstand tussen twee steden** meet zoals een vogel zou vliegen. Dat is de Euclidische afstand. Het is de meest gangbare manier om afstand te meten.

Zie het eenvoudigweg als de "vogelvlucht"-afstand. Dit werkt goed wanneer je de directe afstand wilt weten en **alle richtingen even belangrijk zijn**.

Bijvoorbeeld, als je twee punten hebt, kun je denken aan het gebruik van een liniaal om de rechte lijn ertussen te meten.

## Manhattan-afstand

**Manhattan-afstand** is vergelijkbaar met het meten van afstand in een stad waar je langs stadsblokken moet lopen. Je **kunt niet diagonaal** door gebouwen heen; je moet langs de straten lopen. Dit wordt ook wel **city block**-afstand genoemd. Dat is precies de Manhattan-afstand.

Zie het als het lopen langs stadsblokken. Dit is nuttig wanneer beweging beperkt is tot **horizontale** en **verticale** richtingen, of wanneer je minder gevoelig wilt zijn voor grote verschillen in slechts één richting.

Welke afstandsmaat is het meest geschikt wanneer beweging beperkt is tot horizontale en verticale richtingen?

Verkrijg een grondig begrip van clusteranalyse, een belangrijke unsupervised learning-techniek voor het ontdekken van patronen in niet-gelabelde data. Verken de basisprincipes van K-Means, hiërarchische clustering, DBSCAN en GMM's, en doe praktische ervaring op met echte datasets om vertrouwen te krijgen in het toepassen van clustering op realistische vraagstukken.

Verdiep u in de basisprincipes van clustering en ontdek hoe dit verschilt van classificatie. Verken essentiële algoritmen, tools en bibliotheken die deze unsupervised learning-techniek aandrijven om verborgen patronen in data te onthullen.

Verkrijg een grondig begrip van essentiële preprocessingtechnieken die effectieve clustering waarborgen.
Behandeling van ontbrekende waarden.
Codering van categorische kenmerken.
Normalisatie van gegevens.
Selectie van geschikte afstandsmaatstaven en koppelingen ter verbetering van de clusteringnauwkeurigheid.

Beheers de vaardigheden die nodig zijn om K-Means-clustering effectief toe te passen. Begrijp hoe het algoritme werkt, bepaal het optimale aantal clusters en doe praktische ervaring op met het implementeren van K-Means op zowel synthetische als realistische datasets.

Ontdek de basisprincipes van hiërarchische clustering en leer hoe gegevens in betekenisvolle clusters kunnen worden gegroepeerd met behulp van dendrogrammen. Vergroot het vertrouwen in het identificeren van het optimale aantal clusters en het toepassen van de techniek op zowel synthetische als reële datasets.

Ontdek hoe DBSCAN uitblinkt in het detecteren van clusters met verschillende vormen en het omgaan met ruis in data. Leer de mechanismen achter dit dichtheidsgebaseerde algoritme, de toewijzing van punten aan clusters en de toepassing ervan op zowel synthetische als echte datasets met vertrouwen.

Verkrijg een grondig begrip van Gaussiaanse mengmodellen en hoe deze waarschijnlijkheid gebruiken om complexe clusterstructuren te modelleren. Inzicht in de principes van de Gauss-verdeling, verkenning van de werking van Gaussiaanse mengmodellen en toepassing op zowel fictieve als reële gegevens voor meer vertrouwen.

Afstandsmaten

Euclidische Afstand

Manhattan-afstand

Awesome!

Afstandsmaten

Euclidische Afstand

Manhattan-afstand