Ryhmittelymenetelmiä

Ryhmittelymenetelmät, tunnettu myös nimellä klusterointi, ovat koneoppimisen ja tilastotieteen menetelmiä, joiden tavoitteena on jakaa joukko havaintoja luonnollisiin ryhmiin eli klustereihin. Klusterin jäsenet ovat tyypillisesti samankaltaisia keskenään, kun taas eri klustereiden jäsenet ovat erilaisia. Ryhmittelymenetelmät ovat tyypillisesti valvomattomia oppimismenetelmiä, eli ne eivät vaadi ennalta määriteltyjä luokkia tai merkintöjä.

Yleisimpiä ryhmittelymenetelmiä ovat k-means, hierarkkinen klusterointi ja DBSCAN. K-means pyrkii jakamaan datan ennalta määriteltyyn k lukumäärään klustereita minimoimalla kunkin pisteen etäisyyden oman klusterinsa keskipisteeseen. Hierarkkinen klusterointi luo klustereiden hierarkian, joka voidaan esittää dendrogrammina. Menetelmä voi olla agglomeroiva (aloittaa jokaisen pisteen omana klusterina ja yhdistää niitä vähitellen) tai diviisiivinen (aloittaa yhtenä klusterina ja jakaa sitä vähitellen). DBSCAN (Density-Based Spatial Clustering of Applications with Noise) tunnistaa klustereita tiiviiden alueiden perusteella, jotka ovat erotettu toisistaan harvemmilla alueilla. Se pystyy löytämään mielivaltaisen muotoisia klustereita ja tunnistamaan poikkeamia.

Ryhmittelymenetelmiä käytetään laajalti eri aloilla. Esimerkiksi markkinatutkimuksessa niitä voidaan käyttää asiakkaiden segmentointiin. Biologiassa niitä voidaan soveltaa geenien tai proteiinien ryhmittelyyn toiminnallisten samankaltaisuuksien perusteella. Myös kuvantunnistuksessa, roskapostin suodatuksessa ja suosittelujärjestelmissä ryhmittelymenetelmät ovat hyödyllisiä. Menetelmän valinta riippuu datan luonteesta ja tutkimuskysymyksestä.