Klusterointimenetelmät

Klusterointimenetelmät ovat tilastollisia ja laskennallisia keinoja jakaa tietoaineisto useisiin ryhmiin (klustereihin) siten, että saman klustereiden havainnot ovat toisiaan tyypillisesti samankaltaisempia kuin muiden klustereiden. Menetelmät toimivat usein epävalvottuna oppimisena, eikä niissä anneta etukäteen oikeita luokkia.

Yleisiä luokkia ja esimerkkejä ovat:

- Partitio- ja yhteenveto­menetelmät: k-means, k-medioidit.

- Hierarkkiset klusterointimetodit: agglomeratiivinen ja divisiveinen lähestymistapa.

- Tiheysperusteiset menetelmät: DBSCAN, OPTICS, jotka löytävät klustereita pitkittyneiden ja monimuotoisten muotojen mukaan.

- Mallipohjaiset menetelmät: Gaussian mixture models, dirichlet process -sekoitusmallit, joiden oletuksena on tietty tilastollinen jakauma.

- Spektrinen klusterointi: käyttää kohinan- ja riippuvuustekijöiden välistä yhteyttä valtaviin matriiseihin ja niiden ominaisarvoja.

Tärkeitä teemoja ovat etäisyys- ja puolueetusmittarit (esim. Euclidinen etäisyys, Manhattan, kosininen samankaltaisuus, Mahalanobis), sekä ennen klusterointia tehtävä tiedon esikäsittely: standardointi/ skaalaus, puuttuvien arvojen käsittely ja ulottuvuuksien vähentäminen.

Arviointi on usein sisäistä (intrinsic): silhouette-arvo, Davies-Bouldin -indeksi, klustereiden erottuvuuden tarkastelu. Klusteroinnin valinta riippuu datan rakenteesta, mittapisteistä, kohinasta ja tavoitteista; ei ole yhtä oikeaa metodia kaikille datakokonaisuuksille. Klusterointi löytää kriteerien mukaisia ryhmiä ja voi tukea muun muassa segmentointia, kuvantunnistusta sekä verkosto- ja biologisia sovelluksia.