grupperinger

Grupperingar är processen att dela in objekt, observationer eller individer i flera grupper baserat på likhet eller närhet i deras egenskaper. Resultatet kallas ofta kluster eller grupperingar. Begreppet används inom flera fält, där betydelsen anpassas efter sammanhanget: inom statistik och maskininlärning syftar det oftast på oövervakad eller explorativ indelning av data; inom samhälls- och beteendevetenskaper kan det handla om sätt att beskriva populationers sammansättning; inom lingvistik kan grupperingar referera till funktionella eller semantiska kategorier av ord.

Inom dataanalys används begreppet grupering oftast synonymt med klustring. Metoderna delas upp i hard clustering, där varje objekt tilldelas exakt en grupp, och soft clustering, där ett objekt kan tillhöra flera grupper med sannolikheter. Vanliga algoritmer är k-means, hierarkisk klustring, DBSCAN och Gaussian mixture models (GMM). Viktiga aspekter är val av avstånds- eller likhetsmått, hantering av högdimensionella data samt skalbarhet. I praktiken används ofta dimensionreducering och preprocessning.

För att bedöma resultatet används klustervaliditetsmått (till exempel silhuettevärde, Davies-Bouldin, Calinski-Harabasz) samt domänkunskap. Grupperingar används i marknadssegmentering, bild- och textanalys, dokumentklustring, bioinformatik och socialt beteende.

Utmaningar inkluderar valet av antal grupper, tolkbarhet och stabilitet över olika körningar, känslighet för brus och outliers, samt skillnaden mellan vad som räknas som likhet i olika sammanhang.