klaszterezést

Klaszterezés a statisztikai, gépi tanulási és adatbányászati területeken használt eljárás, amelynek célja, hogy egy adathalmazt hasonló jellemzőkkel rendelkező csoportokba, vagy klaszterekbe sorolja. A klaszterek belső összetétele szoros, míg a klaszterek közötti különbségek jelentősek legyenek. A módszer elméleti alapjait a gépi tanulás kontextusában a felügyelet nélküli tanulás (unsupervised learning) díszít, mivel a címkézetlen adatokon dolgozik és nem követel előre meghatározott osztályokkal.

A klaszterezés alapíkei közé tartoznak a hyopteszisnek nevezett technikák, mint pl. a densitás alapú módszerek (DBSCAN, OPTICS), a térbeli elválasztó megközelítések (k-means, k-medoids), a hierarchikus algoritmusok (aggloretív, divisziós) és a gráfelméleti megoldások (spectrale clustering). Minden egyes algoritmus más-más kritérium alapján határozza meg a klaszterményt: a k-means a súlyátípús centricitásra építi, a DBSCAN pedig a pontok közti sűrűségi különbségeket használja.

Az értékeléseban is léteznek szigorú metrikák, melyek gyakran a külső (accuracy, purity) vagy a belső (silhouette érték, Davies–Bouldin index) szempontokat figyelembe veszik. A praktikus alkalmazással a klaszterezés kulcsfontosságú szerepet játszik az ügyfélprofilok meghatározásában, az internetes rendelési szögek kiválasztásában, biológiai mátrixok csoportosításában és a térbeli adatainál lévő megfigyelések csoportosításában.

Klasszterezés az élő tudományos kutatók és a szervezetek számára kombinálja a világos elméleti alapokat és a gyors, nagy méretű adattárolási lehetőségeket, hogy új, rejtett mintákat tárjon fel az adatokban.