Tiheysperusteiset

Tiheysperusteiset ovat menetelmiä, joita käytetään tilastollisessa tiedonlouhinnassa ja datan analyysissä. Ne perustuvat datapisteiden paikalliseen tiheyteen ja soveltuvat erityisesti klusterointiin sekä poikkeavuuksien havaitsemiseen. Tiheysperusteisissa menetelmissä klusterit määritellään alueina, joissa pisteitä esiintyy runsaasti suhteessa ympäristöönsä; matalatiheiset alueet erotetaan erilleen.

Periaate: Metodit arvioivat paikallisen tiheyden esimerkiksi laskemalla naapurien määrän tietyllä säteellä tai käyttämällä k-naapureita. Korkean tiheyden pisteet muodostavat ydinpisteet ja ne yhdistyvät riittävän lähellä toisiaan siten, että syntyy klustereita. Poikkeavuudet ovat pisteitä, joiden ympärillä tiheys on alhainen.

Esimerkkejä: Tunnetuimpia tiheysperusteisia menetelmiä ovat DBSCAN, OPTICS ja HDBSCAN. DBSCAN tarvitsee parametrit epsilon (säde) ja minPts, joiden perusteella se muodostaa klusterit ydinpisteiden saavutettavuuden kautta. OPTICS ei vaadi kiinteää epsilon-arvoa ja tuottaa rakenteen, jonka avulla klusterit voidaan tulkita. HDBSCAN laajentaa tiheydeltään vaihtelevien klustereiden löytämistä käyttämällä monitasoista tiheysarviointia.

Ominaisuudet: Tiheysperusteiset menetelmät voivat löytää epämuodostuneita tai useasta eri tiheydestä koostuvia klustereita sekä ovat usein vähemmän herkkiä oletetulle klusterin muodolle. Haasteita ovat valitut parametrit, skaalautuvuus suurille tietomäärille sekä erilaisten tiheystasojen samanaikainen käsittely.

Käyttökohteet: datamining, GIS, kuvan- ja signaalinkäsittely sekä poikkeavuuksien havaitseminen. Tiheysperusteisia menetelmiä käytetään myös segmentoinnissa ja verkkodatan analyysissä.