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

Klustring grupperar liknande datapunkter. För att göra detta behöver du mäta **"avståndet"** mellan punkter. Avståndsmått visar hur **lika** eller **olika** datapunkter är. Att välja rätt avståndsmått är viktigt.

Vi kommer att titta på två vanliga avståndsmått: **Euklidiskt avstånd** och **Manhattan-avstånd**.

## Euklidiskt avstånd

**Euklidiskt avstånd** är som att mäta fågelvägen mellan två punkter. Föreställ dig att du tittar på en karta och mäter **avståndet mellan två städer** rakt över. Det är euklidiskt avstånd. Det är det vanligaste sättet att mäta avstånd.

Tänk på det helt enkelt som "fågelvägen". Det fungerar bra när du vill veta det direkta avståndet och **alla riktningar är lika viktiga**.

Till exempel, om du har två punkter, tänk dig att använda en linjal för att mäta rakt mellan dem.

## Manhattan-avstånd

**Manhattan-avstånd** är som att mäta avstånd i en stad där du måste gå längs kvarter. Du **kan inte gå diagonalt** genom byggnader; du måste gå längs gatorna. Det kallas också **city block-avstånd**. Det är exakt Manhattan-avstånd.

Tänk på det som att gå kvarter i en stad. Det är användbart när rörelse är begränsad till **horisontella** och **vertikala** riktningar, eller när du vill vara mindre känslig för stora skillnader i bara en riktning.

Vilket avståndsmått är mest lämpligt när rörelse är begränsad till horisontella och vertikala riktningar?

Få en gedigen förståelse för klusteranalys, en central teknik inom osupervised learning för att identifiera mönster i oetiketterad data. Utforska grunderna i K-Means, Hierarkisk Klustring, DBSCAN och GMM, samt få praktisk erfarenhet med verkliga datamängder för att bygga förtroende i att tillämpa klustring på verkliga problem.

Fördjupa dig i grunderna för klustring och upptäck hur det skiljer sig från klassificering. Utforska viktiga algoritmer, verktyg och bibliotek som driver denna oövervakade inlärningsteknik för att avslöja dolda mönster i data.

Få en gedigen förståelse för viktiga förbehandlingstekniker som säkerställer effektiv klustring. Lär dig hantera saknade värden, koda kategoriska variabler, normalisera data samt välja lämpliga avståndsmått och länkningar för att öka klustringsnoggrannheten.

Behärska de färdigheter som krävs för att tillämpa K-Means-klustring effektivt. Förstå hur algoritmen fungerar, fastställ det optimala antalet kluster och få praktisk erfarenhet genom att implementera K-Means på både syntetiska och verkliga datamängder.

Utforska grunderna i hierarkisk klustring och lär dig hur data kan grupperas i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga datamängder.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, tilldelning av punkter till kluster samt tillämpning på både syntetiska och verkliga datamängder med säkerhet.

Få en gedigen förståelse för Gaussiska Mixturmodeller och hur de använder sannolikhet för att modellera komplexa klusterformer. Utforska principerna för Gaussisk fördelning, undersök hur Gaussiska Mixturmodeller fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Avståndsmått

Euklidiskt avstånd

Manhattan-avstånd

Awesome!

Avståndsmått

Euklidiskt avstånd

Manhattan-avstånd