klusterointialgoritmeista

Klusterointialgoritmit ovat koneoppimisen menetelmiä, joita käytetään datan ryhmittelyyn samankaltaisten kohteiden perusteella. Tavoitteena on löytää datasta luonnollisia ryhmiä eli klustereita siten, että saman klusterin sisällä olevat datapisteet ovat mahdollisimman samankaltaisia ja eri klusterien pisteet mahdollisimman erilaisia. Algoritmit eivät yleensä vaadi ennalta määriteltyjä luokkia, vaan ne löytävät rakenteen automaattisesti datasta.

Yksi yleisimmistä klusterointialgoritmeista on K-Means. Se jakaa datapisteet K ennalta määriteltyyn määrään klustereita. Algoritmi toimii iteratiivisesti siten, että se aluksi valitsee satunnaisesti K klusterikeskusta. Sen jälkeen se sijoittaa jokaisen datapisteen lähimmän klusterikeskuksen mukaiseen klusteriin. Tämän jälkeen klusterikeskuksia päivitetään laskemalla kunkin klusterin pisteiden keskiarvo. Prosessia toistetaan, kunnes klusterikeskukset eivät enää merkittävästi muutu.

Toinen merkittävä algoritmi on hierarkkinen klusterointi. Se muodostaa klusterihierarkian, joko yhdistämällä pienempiä klustereita suuremmiksi (agglomeratiivinen) tai jakamalla suuren klusterin pienemmiksi (divisiivinen). Lopputuloksena on dendrogrammi, joka esittää klusterien välisiä suhteita eri tasoilla.

Muita klusterointiin käytettäviä algoritmeja ovat muun muassa DBSCAN (Density-Based Spatial Clustering of Applications with Noise), joka perustuu tiheyseroihin, ja Gaussian Mixture Models (GMM), joka olettaa datan koostuvan useasta Gaussin jakaumasta. Valittu algoritmi riippuu datan luonteesta ja käytettävissä olevasta laskentatehosta. Klusterointia hyödynnetään monilla aloilla, kuten asiakassegmentoinnissa, kuvien ja tekstien luokittelussa sekä poikkeamien havaitsemisessa.