klusteripohjaisista

Klusteripohjaiset lähestymistavat kuvaavat analyyttisiä menetelmiä, joissa havaintoja ryhmitellään klustereihin ominaisuuksiensa samankaltaisuuden perusteella. Tavoitteena on löytää piileviä rakenteita suurista datajoukoista sekä helpottaa tulkintaa, ennustamista ja päätöksentekoa. Termi viittaa siihen, että ryhmittelyn perusta on tilastollinen tai algoritminen klusterointi eikä ennalta määrätty luokitus.

Menetelmät voivat olla esimerkiksi k-means-tyylisiä klusterointeja, hierarkkista klusterointia sekä tiheysperusteisia menetelmiä kuten DBSCAN ja OPTICS, sekä mallipohjaisia lähestymistapoja kuten gaussien sekoitusmallit. Klusterimäärän valinta ja etäisyyssummat vaikuttavat lopputulokseen, mikä tekee validoinnista ja tulkinnasta tärkeää sekä sovellusalakohtaisesta asiantuntijatiedosta.

Sovelluksia esiintyy monilla aloilla: bioinformatiikassa geenien ilmentymisdata voidaan ryhmittää samankaltaisten ilmentymiskuvioiden perusteella; markkinoinnissa asiakkaat voidaan segmentoida käyttäytymisen tai ostohistorian perusteella; kuvat ja äänet voidaan segmentoitua, ja epidemiologiassa klusteroinnin avulla voidaan tunnistaa riskialueita ja leviämismalleja.

Haasteisiin kuuluu oikean etäisyysfunktionsa valitseminen, datan normalisointi ja skaalaus sekä klusterimäärän määrittäminen. Tulosten tulkinta vaatii usein sekä tilastollista että kontekstuaalista ymmärrystä, ja suurissa aineistoissa laskennallinen kustannus voi olla huomattava.