Clusterqualität

Clusterqualität bezeichnet die Güte der Ergebnisse eines Clustering-Verfahrens und gibt Aufschluss darüber, wie gut Objekte innerhalb eines Clusters einander ähneln und wie deutlich verschiedene Cluster voneinander abgegrenzt sind. Sie ist kontextabhängig und hängt von der Zielsetzung, dem Datensatz, der gewählten Distanz- und Gewichtungsmethode sowie vom gewählten Clustering-Algorithmus ab.

Zur Bewertung der Clusterqualität werden interne, externe und Stabilitätskennzahlen unterschieden. Interne Kennzahlen beurteilen die Struktur der Ergebnisse allein anhand der Daten: Beispiele sind der Silhouette-Koeffizient, der Davies-Bouldin-Index, der Dunn-Index und der Calinski-Harabasz-Index; hier wird oft versucht, hohe Kohäsion in den Clustern und eine klare Trennung zwischen Clustern zu erreichen. Bei hierarchischen Verfahren kann auch der Cophenetic-Korrelationskoeffizient eine Rolle spielen. Externe Kennzahlen vergleichen die Clustering-Ergebnisse mit einer bekannten Referenz (Ground Truth) und umfassen den Adjusted Rand Index, Jaccard- und Fowlkes-Mallows-Index. Stabilität bezieht sich auf die Reproduzierbarkeit der Ergebnisse bei Resampling oder leichten Änderungen der Daten.

Wichtige Einflussfaktoren sind die Wahl des Distanzmaßes, die Skalierung der Merkmale, die Anzahl der Cluster und das Vorhandensein von Ausreißern oder Rauschen. In hochdimensionalen oder verrauschten Datensätzen kann die Clusterqualität leiden, weshalb oft mehrere Indizes zusammen betrachtet werden. Da es kein universelles Maß gibt, ist eine Kombination aus quantitativen Kennzahlen, visueller Beurteilung (z. B. Silhouette- oder Dendrogramm-Analysen) und domänenspezifischer Plausibilität sinnvoll.

---