Clusteren

Clusteren is een werkwoord in het Nederlands dat betekent het groeperen of samenvoegen van objecten tot clusters op basis van gelijkenis of gedeelde kenmerken. Het is zowel een algemene beschrijving van een handeling als een technische term in datawetenschap en statistiek: clustering, of wel clusteren.

In de praktijk wordt clusteren toegepast om ongesuperviseerde patronen in data te ontdekken. Doel is om objecten binnen een cluster zo gelijk mogelijk te maken en zo verschillend te houden ten opzichte van objecten in andere clusters. Het wordt gebruikt bij marktsegmentatie, beeld- en tekstsegmentatie, bioinformatica en documentorganisatie, onder meer.

Er bestaan verschillende algoritmen voor clusteren. Populaire methoden zijn k-means (of k-means clustering), hiërarchische clustering, DBSCAN en spectrale clustering. Kenmerken en afstandsmaatstaven zoals Euclidische afstand, cosine similarity of Manhattan afstand bepalen hoe objecten aan elkaar worden toegewezen. Het proces omvat meestal: bepalen of data geschikt zijn voor clustering, kiezen van een algoritme en hyperparameters (bijv. aantal clusters bij partitionerende methodes), toepassen op de data en evalueren of de resulterende clusters zinvol zijn. Evaluatie kan intern zijn (silhouetcoëfficiënt, Davies-Bouldin index) of extern (indien labels beschikbaar).

Belangrijke aandachtspunten bij clusteren zijn schaal en normalisatie van functies, de gevoeligheid voor uitbijters, de initialisatie bij sommige algoritmen en de uitdagingen bij hoge dimensionale data. Clusteren valt onder onbegeleid leren en verschilt van clustering-achtige taken die afhankelijk zijn van vooraf bepaalde labels. Zie ook clusteranalyse en onbegeleid leren.