Noteringar vid laboration LAB1B för Datoriserad MI

1) Hierarkisk klustring

* max verkar vara bättre på att skapa grupper som är
  ungefär lika stora till area / likformiga. Med min kan det bli
  att en prick är ett kluster och övriga är ett annat, exempelvis. 

* "Bryggor" mellan kluster hanteras dåligt med "min" metoden, men bra 
  med mean och max. 

2) K-means clustering
Nej resultaten är inte robusta. Ibland gör algoritmen fel och väljer 
andra punkter att ingå i ett visst kluster. 

3) Inga kommentarer (behövs inte enl text)

4) Inga kommentarer (behövs inte enl text)

5) Inga kommentarer (behövs inte enl text)

Lärdom: Det verkar smart att kombinera olika metoder som i exempel 5. Man kanske
kan använda detta för att förbättra kompressionsration ytterligare i labuppgift 1A. 

I övrigt fungerade PCA analysen och klustringen ungefär som förväntat. 
Det var dock trevligt att se det in action på olika typer av data. 
Hade exempelvis inte en aning om att hierarkisk klustring med max metoden 
var så dålig.