Klustringsmetoder

Klustringsmetoder er teknikker innen dataanalyse som grupperer objekter i kluster basert på likhet eller avstand, uten forhåndsmerkede mål (unsupervised learning). Målet er å oppnå høy homogenitet innen hvert kluster og tydeligere forskjell mellom kluster.

Partisjonelle metoder som k-means og k-medoids deler datasettet i et forhåndsbestemt antall kluster. De tilordner hvert punkt til nærmeste sentrum og oppdaterer sentrumene iterativt. De krever ofte standardisering av data og at antallet kluster er kjent på forhånd.

Hierarkisk klustring bygger en trestruktur og kan være agglomerativ (fra individuelle objekter til større kluster) eller divisiv (fra hele datasettet til mindre enheter). Forskjellige linkage-metoder brukes for å bestemme hvordan kluster slås sammen eller deles, for eksempel enkel, komplett eller gjennomsnittlig tilknytning, samt Ward’s metode. Fordelen er at man ikke nødvendigvis trenger antall kluster på forhånd, men beregningen kan være krevende og påvirkes av skjevheter i data.

Density-based metoder som DBSCAN og OPTICS identifiserer kluster som områder med høy tetthet av datapunkter og kan oppdage geometrisk uensartede former. De er ofte robuste mot støy og outliers, men parametrene for tetthet og nærhet kan være utfordrende å velge ved varierende tetthet i data.

Grid-baserte metoder deler rommet inn i et rutenett og teller datapunkter i hver celle, noe som gir rask skalerbarhet for store datasett. Slike metoder er effektive når rommet er discretiserbart og klare klatregrenser.

Model-baserte metoder antar sannsynlighetsmodeller for dataene, for eksempel Gaussian mixture models (GMM) som estimeres med forventet maks (EM). De gir probabilistiske tilordninger og kan tillate overlapp mellom kluster.

Ved blandede datatyper kan metoder som k-prototypes eller bruk av avstander som Gower være aktuelle. Evaluering av klustring gjøres ofte med interne mål som silhouette og Davies-Bouldin, eller eksterne mål som Rand-indeks når merkede data finnes.