Summary  
This chapter explains linkage methods for hierarchical clustering, detailing how to choose reference points between clusters—such as the closest (single linkage), farthest (complete linkage), centroids, or all point pairs (average linkage)—to compute inter-cluster distances and shape the resulting clusters.

General domain of usage  
Unsupervised machine learning (hierarchical clustering)

**Métodos de ligação** determinam como medir a distância entre clusters ao construir agrupamentos passo a passo. Diferentes métodos de ligação criam **diferentes formatos de clusters**.

- Utiliza a **menor distância** entre pontos em dois clusters;
- Liga clusters quando **quaisquer pontos se aproximam**;
- Cria clusters longos e encadeados;
- Bom para formatos irregulares;
- Sensível a ruídos.

Ligação Simples

- Utiliza a **maior distância** entre pontos em dois clusters;
- Liga clusters apenas quando **todos os pontos estão relativamente próximos**;
- Cria clusters compactos e esféricos;
- Menos encadeamento;
- Mais robusto a ruídos.

Ligação Completa

- Utiliza a **distância média** entre todos os pares de pontos de dois clusters;
- Um compromisso entre ligação simples e completa;
- Geralmente um bom equilíbrio.

Ligação Média

- Utiliza a **distância entre os centróides** de dois clusters;
- Centróide é a posição média de todos os pontos do cluster;
- Pode causar inversões (clusters se aproximando à medida que crescem);
- Bom para agrupamentos geometricamente significativos.

Ligação pelo Centróide

Distância mínima entre pontos nos clusters

Distância máxima entre pontos nos clusters

Distância média entre pontos nos clusters

Minimiza a variância dentro dos clusters

Baixar Resumo da Seção

Qual método de ligação é conhecido por criar clusters longos e encadeados e é o mais sensível a ruídos?

Obtenha uma compreensão sólida da análise de clusters, uma técnica fundamental de aprendizado não supervisionado para descobrir padrões em dados não rotulados. Explore os conceitos essenciais de K-Means, Clusterização Hierárquica, DBSCAN e GMMs, e adquira experiência prática com conjuntos de dados reais para desenvolver confiança na aplicação de clusterização em problemas do mundo real.

Aprofunde-se nos fundamentos do clustering e descubra como ele difere da classificação. Explore algoritmos, ferramentas e bibliotecas essenciais que impulsionam essa técnica de aprendizado não supervisionado para revelar padrões ocultos nos dados.

Obtenha uma compreensão sólida das principais técnicas de pré-processamento que garantem uma clusterização eficaz. Aprenda a lidar com valores ausentes, codificar variáveis categóricas, normalizar dados e escolher medidas de distância e métodos de ligação apropriados para aumentar a precisão da clusterização.

Domine as habilidades necessárias para aplicar a clusterização K-Means de forma eficaz. Aprenda como o algoritmo funciona, determine o número ideal de clusters e obtenha experiência prática implementando o K-Means em conjuntos de dados sintéticos e do mundo real.

Explore os conceitos essenciais do agrupamento hierárquico e aprenda a agrupar dados em clusters significativos utilizando dendrogramas. Desenvolva confiança na identificação do número ideal de clusters e na aplicação da técnica em conjuntos de dados sintéticos e do mundo real.

Descubra como o DBSCAN se destaca na detecção de clusters com formatos variados e no tratamento de ruídos nos dados. Compreenda a mecânica por trás deste algoritmo baseado em densidade, como atribuir pontos a clusters e aplicá-lo com confiança em conjuntos de dados sintéticos e reais.

Obtenha uma compreensão sólida dos Modelos de Mistura Gaussiana e de como utilizam probabilidade para modelar formas de clusters complexas. Explore os princípios da distribuição Gaussiana, entenda o funcionamento dos GMMs e desenvolva confiança ao aplicá-los em dados simulados e reais.

Vinculações