klasteryzacja

Klasteryzacja to technika analizy danych polegająca na grupowaniu obiektów w klastry tak, aby obiekty w tym samym klastrze były do siebie podobne, a obiekty z różnych klastrów — różne. Celem jest odkrycie struktury w danych bez użycia etykiet. Obiekty reprezentowane są przez zestaw cech, a podobieństwo lub dystans między nimi decyduje o przynależności do klastra.

W praktyce wyróżnia się twardą klasteryzację (każdemu obiektowi przypisuje się jeden klaster) oraz miękką, w której obiekt może należeć do kilku klastrów z różnym prawdopodobieństwem.

Najważniejsze algorytmy to k-means (lub k-means++), k-medoids, metody hierarchiczne (agglomeracyjne i dywizyjne), DBSCAN i OPTICS, a także clustering spektralny. Wybór miary podobieństwa (np. odległości Euclidean, Manhattan, czy miary kątowej podobieństwa) oraz normowanie cech wpływają na wynik.

Zastosowania obejmują segmentację klientów i analizę marketingową, grupowanie genów i biomedycynę, klasteryzację obrazów i dokumentów, profilowanie ryzyka, a także wczesne wykrywanie anomalii w danych.

Wyzwania obejmują konieczność określenia liczby klastrów, wrażliwość na skalowanie i outliers, a także ograniczenia algorytmów; klastery mogą mieć różne kształty i gęstości, co utrudnia identyfikację w jednoznaczny sposób.

Oceny jakości klasteryzacji takie jak miara silhouette, indeks Davies-Bouldin i współczynnik Calinski-Harabasz pomagają ocenić spójność i separację klastrów.