klusterointimenetelmiä

Klusterointimenetelmät ovat joukko algoritmeja, joita käytetään datan segmentointiin samanlaisiin ryhmiin eli klustereihin. Tavoitteena on, että saman klusterin sisällä olevat datapisteet ovat mahdollisimman samankaltaisia, kun taas eri klusterien väliset datapisteet ovat mahdollisimman erilaisia. Klusterointi on tyypillinen ohjaamattoman oppimisen tehtävä, jossa dataan ei ole liitetty etukäteen tunnettuja luokkia.

Yksi tunnetuimmista klusterointimenetelmistä on K-means. K-means-algoritmi pyrkii jakamaan datapisteet K ennalta määriteltyyn klusteriin. Se toimii iteratiivisesti: ensin valitaan satunnaisesti K klusterikeskusta, sitten jokainen datapiste liitetään lähimpään keskukseen ja lopuksi keskusten sijaintia päivitetään uudelleen liitettyjen pisteiden keskiarvona. Tätä prosessia toistetaan, kunnes keskukset eivät enää merkittävästi muutu.

Toinen suosittu menetelmä on hierarkkinen klusterointi. Se luo hierarkian klustereista, joka voidaan esittää dendrogrammina. Hierarkkinen klusterointi voidaan jakaa kahteen tyyppiin: agglomeroiva (bottom-up), jossa jokainen piste alkaa omana klusterinaan ja klustereita yhdistetään vähitellen, ja osittava (top-down), jossa kaikki pisteet aloitetaan yhdestä klusterista ja niitä jaetaan asteittain.

Muita klusterointimenetelmiä ovat esimerkiksi DBSCAN (Density-Based Spatial Clustering of Applications with Noise), joka tunnistaa klustereita tiheyden perusteella ja pystyy käsittelemään erimuotoisia klustereita ja löytämään poikkeamia, sekä Mixture Models, jotka perustuvat todennäköisyysjakaumiin datan mallintamiseen. Klusterointimenetelmiä käytetään laajalti esimerkiksi markkinatutkimuksessa, kuvantunnistuksessa, biologisessa datan analyysissä ja suositusjärjestelmissä. Valittava menetelmä riippuu datan luonteesta ja analyysin tavoitteista.