Klyngeanalyse

Klyngeanalyse, eller clusteranalyse, er en gruppe statistiske metoder som deler observerte data inn i grupper (klynger) der objekter i samme klynge er mer like hverandre enn objekter i ulike klynger. Den er en form for usupervised læring og brukes for å oppdage struktur i data uten forhåndsmerkede klasser, for eksempel i markedssegmentering, biologi og bildebehandling.

Kjerneideen er å bruke mål for likhet eller avstand til å plassere objekter i klynger. Hard clustering tilordner hvert objekt til én klynge; myk clustering gir sannsynlighet for medlemskap i flere klynger. Vanlige metoder inkluderer k-means, hierarkisk klustring, DBSCAN, spektral klustring og modellbaserte metoder som Gaussian mixture models. Valg av metode avhenger av dataenes natur og ønsket klyngeform, samt behov for å håndtere støy eller outliers. Avstands- eller likhetsmål som Euclidisk, Manhattan, kosinus og Gower for blandede datatyper spiller en sentral rolle.

Forbehandling er ofte nødvendig: skalerings- eller normalisering, håndtering av manglende verdier og dimensjonalitet. Data kan være numeriske, kategoriske eller blandede; da brukes passende avstandsmål eller representasjoner.

Evaluering av resultater bruker interne mål som Silhouette eller Davies-Bouldin, og eventuelt eksterne mål hvis en referanse finnes. Valg av antall klynger kan støttes av elbow-metoden, gap-statistikk eller dendrogram-beskrivelse, men beslutningen er ofte kontekstavhengig.

Vanlige anvendelser inkluderer kundesegmentering, analyse av genuttrykk og proteinnivåer i biologi, bilde- og dokumentklustring, mønstergjenkjenning og anomalideteksjon. Begrensninger inkluderer avhengighet av riktig avstandsmetode, følsomhet for skala og initialisering, samt utfordringer ved høy dimensjonalitet og tolkning.