klusterianalyysit

Klusterianalyysi on tilastollinen ja data-analyysin menetelmä, jolla havaintoja ryhmitellään klustereihin siten, että klustereiden sisällä havainnot ovat mahdollisimman samanlaisia ja klusterien välillä erottuvia. Menetelmä kuuluu ei-valvottuun oppimiseen eikä se perustu etukäteen määriteltyihin luokkiin, vaan rakenteita etsitään datasta itsestään.

Yleisimmät lähestymistavat ovat partitiiviset menetelmät kuten k-means ja k-medoids, hierarkkinen klusterointi sekä tiheysperusteiset menetelmät kuten DBSCAN ja OPTICS. Lisäksi voidaan käyttää tilastollisia malleja kuten Gaussian mixture models.

Prosessi alkaa datan esikäsittelystä (standardointi, poikkeavien havaintojen huomiointi). Tärkeä askel on valita etäisyysmitta ja määrää klustereita kuvaava parametri (esim. kuinka monta klusteria tarvitaan, kuten k-suhteessa). Tulos arvioidaan sisäisillä mittareilla, kuten silhouette-arvolla, WSS:llä tai Davies-Bouldin -indeksillä, sekä ulkoisilla tarkasteluilla tulkinnan ja käytön perusteella.

Klusterianalyysiä sovelletaan muun muassa markkinoinnissa asiakassegmentointiin, biotieteissä geneettisten ja fenotyyppisten ryhmien löytämiseen, kuvatutkimuksessa sekä sosiaali- ja käyttäytymistieteissä ilmiöiden ryhmittelyyn.

Yhteenvetona klusterianalyysi auttaa löytämään rakenteita suurista datamassoista ilman valmiita luokkia, mutta tulkinta ja tulosten käyttö voivat riippua valituista menetelmistä, etäisyyksistä ja datan ominaisuuksista.