Klasteranalüüs

Klasteranalüüs on andmestiku uurimise meetod, mille eesmärk on grupeerida andmepunktid klastriteks nii, et iga klaster sisaldab üksteisega sarnaseid üksusi ning klastrite vahelised erinevused on märkimisväärsed. See on peamiselt juhendamatu õpe, kus teadaolevaid märgendusi ei kasutata; klastrid antakse andmete sisust omavahel kaasa.

Klasterduses eristatakse hard clustering, kus iga üksus kuulub ühte klastrisse kindlalt, ja soft clustering, kus üksus võib kuuluda mitmele klastrile või omada tõenäosuslikku kuuluvust erinevatesse klastritesse. Tuntumad meetodid kuuluvad järgmisse rühma: k-means, hierarhiline klasterdamine, DBSCAN ja Gaussiani segamismudelid (GMM); lisaks kasutatakse ka spektriklasterdamist ning teisi tiheduse või maatriksite alusel töötavaid meetodeid.

Ettevalmistus hõlmab andmete standardiseerimist või normaliseerimist, sest paljud algoritmid on tundlikud skaleerimisele. Levinud kaugusmõõdud on eukleidiline ja Manhattan, kuid sobiv valik sõltub andmete iseloomust. Mõnikord on vaja eelnevalt määrata klastrite arv või valida optimaalse imguid analüüs.

Rakendused on laialdased: kliendisegmentatsioon turunduses, biomeditsiini ja genomika analüüs, ökoloogia, pilditöötlus ja sotsiaalteaduste uuringud. Kvaliteedi hindamiseks kasutatakse sisemisi valiidsusindikaatoreid, nagu silhueti koefitsient, Davies-Bouldin indeks ja Calinski-Harabasz indeks. Piirangud hõlmavad eelnevat klastrite arvu määramist, andmete skaleerimist, kõrge dimensiooniga andmekogumeid ning tulemuste tõlgendamise keerukust.